搞定 Linux Shell 文本处理工具，看完这篇还不够

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；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.

1、find 文件查找

查找txt和pdf文件 

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

正则方式查找.txt和pdf 

find . -regex  ".*(.txt|.pdf)$"  
#-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：  
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：  
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： 

#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' '作为文件的定界符；
•  -print0 使用''作为文件的定界符，这样就可以搜索包含空格的文件；

2、grep 文本搜索

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输出以作为结尾符的文件名：（-z）

grep "test" file* -lZ| xargs -0 rm 

xargs 命令行参数转换

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 

• 是多行文本间的定界符
•  将单行转化为多行输 

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 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 

cat file.txt | xargs -I {} ./command.sh -p {} -1  
#-0：指定为输入定界符  
#统计程序行数  
find source_dir/ -type f -name "*.cpp" -print0 |xargs -0 wc -l 

3、sort 排序

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 

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

4、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

5、用 tr 进行转换

通用用法 

echo 12345| tr '0-9''9876543210' //加解密转换，替换对应字符  
cat text| tr '    '' '  //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'  //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 ' ' 

字符类：tr中可用各种字符类

•  alnum：字母和数字
•  alpha：字母
•  digit：数字
•  space：空白字符
•  lower：小写
•  upper：大写
•  cntrl：控制（非可打印）字符
•  print：可打印字符 

使用方法：tr [:class:] [:class:]  
eg: tr   
'[:lower:]''[:upper:]' 

6、cut 按列切分文本 

#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 

7、paste 按列拼接文本

将两个文本按列拼接到一起 

cat file1  
1  
2 
cat file2 
colin  
book 
paste file1 file2 
1colin  
2 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 

8、wc 统计行和字符的工具 

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

9、sed 文本替换利器

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'  
$>[this]  [is] [en] [example] 

子串匹配标记

第一个匹配的括号内容使用标记 来引用 

sed 's/hello([0-9])//' 

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=patten  
r=replaced  
echo "line con a patten"| sed "s/$p/$r/g"  
$>line con a replaced 

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 

10、awk 数据流处理工具

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 line2"| 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; }'  
$>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; }'  
$>v1-V2-v3 

特殊变量：NR NF 01 $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 line2 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 2 3 4 "| 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stdin  
awk '{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startpattern 和endpattern之间的文本；  
awk '/start_pattern/, /end_pattern/' filename  
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 ", $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;  
do  
echo $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{#word}:返回变量word的长度 

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