Linux Shell处理文本最常用的工具大盘点

共计 5720 个字符，预计需要花费 15 分钟才能阅读完成。

导读	本文将介绍 Linux 下使用 Shell 处理文本时最常用的工具：find、grep、xargs、sort、uniq、tr、cut、paste、wc、sed、awk；提供的例子和参数都是最常用和最为实用的，我对 shell 脚本使用的原则是命令单行书写，尽量不要超过 2 行；如果有更为复杂的任务需求，还是考虑 python 吧！

查找 txt 和 pdf 文件
找 txt 和 pdf 文件

find . \(-name "*.txt" -o -name "*.pdf" \) -print

正则方式查找.txt 和 pdf

find . -iregex  ".*\(\.txt|\.pdf\)___FCKpd___1quot;    #-iregex：忽略大小写的正则 

否定参数, 查找所有非 txt 文本

find . ! -name "*.txt" -print

指定搜索深度
打印出当前目录的文件（深度为 1）

find . -maxdepth 1 -type f

定制搜索
按类型搜索：
-type f 文件 / l 符号链接

find . -type d -print     // 只列出所有目录 

按时间搜索：
-atime 访问时间（单位是天，分钟单位则是 -amin，以下类似）
-mtime 修改时间（内容被修改）
-ctime 变化时间（元数据或权限变化）

最近 7 天被访问过的所有文件：

find . -atime 7 -type f -print

按大小搜索：
w 字 k M G，寻找大于 2k 的文件

find . -type f -size +2k

按权限查找：

find . -type f -perm 644 -print      // 找具有可执行权限的所有文件 

按用户查找：

find . -type f -user weber -print    // 找用户 weber 所拥有的文件 

找到后的后续动作
删除当前目录下所有的 swp 文件：

find . -type f -name "*.swp" -delete

执行动作（强大的 exec）

find . -type f -user root -exec chown weber {} \;   // 将当前目录下的所有权变更为 weber

注：{} 是一个特殊的字符串，对于每一个匹配的文件，{} 会被替换成相应的文件名；
eg：将找到的文件全都 copy 到另一个目录：

find . -type f -mtime +10 -name "*.txt" -exec cp {} OLD \;

结合多个命令
tips: 如果需要后续执行多个命令，可以将多个命令写成一个脚本, 然后 -exec 调用时执行脚本即可；

-exec ./commands.sh {} \;

-print 的定界符, 默认使用 ’\n’ 作为文件的定界符；
-print 在每一个输出后会添加一个回车换行符，而 -print0 则不会，使用 ’\0’ 作为文件的定界符，这样就可以搜索包含空格的文件；
当前目录下文件从大到小排序（包括隐藏文件），文件名不为 ”.”：

find . -maxdepth 1 ! -name "." -print0 | xargs -0 du -b | sort -nr | head -10 | nl

grep match_patten file // 默认访问匹配行
常用参数
-o 只输出匹配的文本行 VS -v 只输出没有匹配的文本行
-c 统计文件中包含文本的次数

grep -c "text" filename

-n 打印匹配的行号
-i 搜索时忽略大小写
-l 只打印文件名
在多级目录中对文本递归搜索 (程序员搜代码的最爱）：

grep "class" . -R -n

匹配多个模式

grep -e "class" -e "vitural" file

grep 输出以 \0 作为结尾符的文件名：（-z）

grep "test" file* -lZ| xargs -0 rm

xargs 能够将输入数据转化为特定命令的命令行参数；这样，可以配合很多命令来组合使用。比如 grep，比如 find；
将多行输出转化为单行输出

cat file.txt| xargs

\n 是多行文本间的定界符
将单行转化为多行输出

cat single.txt | xargs -n 3     -n：指定每行显示的字段数 

xargs 参数说明
-d 定义定界符（默认为空格 多行的定界符为 \n）
-n 指定输出为多行
-I {} 指定替换字符串，这个字符串在 xargs 扩展时会被替换掉, 用于待执行的命令需要多个参数时
eg：

cat file.txt | xargs -I {} ./command.sh -p {} -1

-0：指定 \0 为输入定界符
eg：统计程序行数

find source_dir/ -type f -name "*.cpp" -print0 |xargs -0 wc -l

字段说明：
-n 按数字进行排序 VS -d 按字典序进行排序
-r 逆序排序
-k N 指定按第 N 列排序
eg：

sort -nrk 1 data.txtsort -bd data  // 忽略像空格之类的前导空白字符 

uniq 消除重复行
消除重复行

sort unsort.txt | uniq

统计各行在文件中出现的次数

sort unsort.txt | uniq -c

找出重复行

sort unsort.txt | uniq -d

可指定每行中需要比较的重复内容：- s 开始位置 - w 比较字符数

通用用法

echo 12345 | tr '0-9' '9876543210'  // 加解密转换，替换对应字符   
cat text| tr '\t' ''               // 制表符转空格 

tr 删除字符

cat file | tr -d '0-9' // 删除所有数字 

- c 求补集

cat file | tr -c '0-9' // 获取文件中所有数字  cat file | tr -d -c '0-9 \n'  // 删除非数字数据 

tr 压缩字符
tr -s 压缩文本中出现的重复字符；最常用于压缩多余的空格

cat file | tr -s ' '

阿里云 2 核 2G 服务器 3M 带宽 61 元 1 年，有高配

腾讯云新客低至 82 元 / 年，老客户 99 元 / 年

代金券：在阿里云专用满减优惠券

使用方法：tr [:class:] [:class:]

eg: tr '[:lower:]' '[:upper:]'

截取文件的第 2 列和第 4 列：

cut -f2,4 filename

去文件除第 3 列的所有列：

cut -f3 --complement filename

-d 指定定界符：

cat -f2 -d";" filename

cut 取的范围
N- 第 N 个字段到结尾
-M 第 1 个字段为 M
N-M N 到 M 个字段

cut 取的单位
-b 以字节为单位
-c 以字符为单位
-f 以字段为单位（使用定界符）

cut -c1-5 file          // 打印第一到 5 个字符  
cut -c-2 file           // 打印前 2 个字符 

将两个文本按列拼接到一起;

cat file112cat file2colinbookpaste file1 file21 colin2 book

默认的定界符是制表符，可以用 - d 指明定界符
paste file1 file2 -d “,”
1,colin
2,book

wc -l file         // 统计行数 
wc -w file         // 统计单词数 
wc -c file         // 统计字符数 

首处替换

seg 's/text/replace_text/' file     // 替换每一行的第一处匹配的 text

全局替换

seg 's/text/replace_text/g' file

默认替换后，输出替换后的内容，如果需要直接替换原文件, 使用 -i：

seg -i 's/text/repalce_text/g' file

移除空白行：

sed '/^$/d' file

变量转换
已匹配的字符串通过标记 & 来引用.

echo this is en example | seg 's/\w+/[&]/g'___FCKpd___37gt;[this]  [is] [en] [example]

子串匹配标记
第一个匹配的括号内容使用标记 \1 来引用

sed 's/hello\([0-9]\)/\1/'

双引号求值
sed 通常用单引号来引用；也可使用双引号，使用双引号后，双引号会对表达式求值：

sed 's/$var/HLLOE/'

当使用双引号时，我们可以在 sed 样式和替换字符串中指定变量；

p=pattenr=replacedecho "line con a patten" | sed "s/$p/$r/g"___FCKpd___40gt;line con a replaced

其它示例
字符串插入字符：将文本中每行内容（PEKSHA）转换为 PEK/SHA

sed 's/^.\{3\}/&\//g' file

awk 脚本结构

awk 'BEGIN{statements} statements2 END{statements}'

工作方式
1. 执行 begin 中语句块；
2. 从文件或 stdin 中读入一行，然后执行 statements2，重复这个过程，直到文件全部被读取完毕；
3. 执行 end 语句块；

print 打印当前行
使用不带参数的 print 时，会打印当前行;

echo -e "line1\nline2" | awk 'BEGIN{print"start"} {print} END{print"End"}'

print 以逗号分割时，参数以空格定界;

echo | awk '{var1 ="v1"; var2 ="V2"; var3="v3"; \print var1, var2 , var3;}'___FCKpd___43gt;v1 V2 v3

使用 - 拼接符的方式（”” 作为拼接符）;

echo | awk '{var1 ="v1"; var2 ="V2"; var3="v3"; \print var1"-"var2"-"var3;}'___FCKpd___44gt;v1-V2-v3

特殊变量：NR NF $0 $1 $2
NR: 表示记录数量，在执行过程中对应当前行号；
NF: 表示字段数量，在执行过程总对应当前行的字段数；
$0: 这个变量包含执行过程中当前行的文本内容；
$1: 第一个字段的文本内容；
$2: 第二个字段的文本内容；

echo -e "line1 f2 f3\n line2 \n line 3" | awk '{print NR":"$0"-"$1"-"$2}'

打印每一行的第二和第三个字段：

awk '{print $2, $3}' file

统计文件的行数：

awk 'END {print NR}' file

累加每一行的第一个字段：

echo -e "1\n 2\n 3\n 4\n" | awk 'BEGIN{num = 0 ;  print"begin";} {sum += $1;} END {print"=="; print sum}'

传递外部变量

var=1000 echo | awk '{print vara}' vara=$var # 输入来自 stdinawk '{print vara}' vara=$var file # 输入来自文件 

用样式对 awk 处理的行进行过滤
awk ‘NR < 5’ #行号小于 5
awk ‘NR==1,NR==4 {print}’ file #行号等于 1 和 4 的打印出来
awk ‘/linux/’ #包含 linux 文本的行（可以用正则表达式来指定，超级强大）
awk ‘!/linux/’ #不包含 linux 文本的行

设置定界符
使用 - F 来设置定界符（默认为空格）

awk -F: '{print $NF}' /etc/passwd

读取命令输出
使用 getline，将外部 shell 命令的输出读入到变量 cmdout 中；

echo | awk '{"grep root /etc/passwd"| getline cmdout; print cmdout}'

在 awk 中使用循环

for(i=0;i<10;i++){print $i;}
for(i in array){print array[i];}

以逆序的形式打印行：(tac 命令的实现）

seq 9| \awk '{lifo[NR] = $0; lno=NR} \END{for(;lno>-1;lno--){print lifo[lno];}}'

awk 实现 head、tail 命令

head:
  awk 'NR< =10{print}' filename

tail:
  awk '{buffer[NR%10] = $0;} END{for(i=0;i<11;i++){\  print buffer[i %10]} }' filename

打印指定列
awk 方式实现：

ls -lrt | awk '{print $6}'

cut 方式实现

ls -lrt | cut -f6

打印指定文本区域
确定行号

seq 100| awk 'NR==4,NR==6{print}'

确定文本
打印处于 start_pattern 和 end_pattern 之间的文本；

awk '/start_pattern/, /end_pattern/' filename

eg: seq 100 | awk '/13/,/15/'cat /etc/passwd| awk '/mai.*mail/,/news.*news/'

awk 常用内建函数
index(string,search_string): 返回 search_string 在 string 中出现的位置
sub(regex,replacement_str,string): 将正则匹配到的第一处内容替换为 replacement_str;
match(regex,string): 检查正则表达式是否能够匹配字符串；
length(string)：返回字符串长度

echo | awk '{"grep root /etc/passwd"| getline cmdout; print length(cmdout) }'

printf 类似 c 语言中的 printf，对输出进行格式化

seq 10 | awk '{printf"->%4s\n", $1}'

迭代文件中的行、单词和字符
1. 迭代文件中的每一行
while 循环法

while read line;doecho $line;done < file.txt 改成子 shell:cat file.txt | (while read line;do echo $line;done)

awk 法：

cat file.txt| awk '{print}'

2. 迭代一行中的每一个单词

for word in $line;do echo $word;done

3. 迭代每一个字符
${string:start_pos:num_of_chars}：从字符串中提取一个字符；(bash 文本切片）
${#word}: 返回变量 word 的长度

for((i=0;i< ${#word};i++))doecho ${word:i:1);done

阿里云 2 核 2G 服务器 3M 带宽 61 元 1 年，有高配

腾讯云新客低至 82 元 / 年，老客户 99 元 / 年

代金券：在阿里云专用满减优惠券