Shell编程笔记(高级2)文本过滤

Shell编程笔记(4)-文本过滤
作者: sunwill_chen 发表日期: 2007-01-30 17:17 文章属性: 原创 复制链接

1.正则表达式
（1）正则表达式一般用来描述文本模式的特殊用法，由普通字符（例如字符a-z）以及特殊字符（称为元字符，如/、*、?等）组成。
（2）基本元字符集及其含义
^ ：只匹配行首。 如^a 匹配以a开头的行abc,a2e,a12,aaa,......
$ ：只匹配行尾。 如^a 匹配以a结尾的行bca,12a,aaa,.......
* ：匹配0个或多个此单字符。 如(a)* 匹配 空，a,aa,aaa,....
[] ：只匹配[]内字符。可以是一个单字符，也可以是字符序列，用","将里面要匹配的不同字符串分开。也可以使用-来表示[]内字符序列的范围，如[1-5]表示[12345]
/ ：只用来屏蔽一个元字符的特殊含义。 如/*,/',/",/|,/+,/^,/. 等
。：（点）只匹配任意单字符。
pattern/{n/}：只用来匹配前面pattern出现的次数.n为次数。如a/{2/}匹配aa.
pattern/{n,/}：含义同上，但次数最少为n.如a/{2,/}匹配aa,aaa,aaaa,.....
pattern/{n,m/}：含义同上，但次数在n和m之间。如a/{2,4/}匹配aa,aaa,aaaa三个
(3)举例说明：
^$ ：匹配空行
^.$ ：匹配包含一个字符的行
/*/.pas ：匹配以*.pas结尾的所有字符或文件
[0123456789]或[0-9] ：假定要匹配任意一个数字
[a-z] ：任意小写字母
[A-Za-z] ：任意大小写字母
[S,s] ：匹配大小写S
[0-9]/{3/}/.[0-9]/{3/}/.[0-9]/{3/}/.[0-9]/{3/} ：匹配IP地址 [0-9]/{3/}三个0-9组成的字符串；/. ：匹配点（注意这里点是特殊的字符，所以要用"/"来屏蔽其含义）
2.find介绍
（1）查找具有某些特征文件的命令，可遍历当前目录甚至于整个文件系统来查看某些文件或目录，其遍历大的文件系统时一般放在后台执行。
（2）find命令的一般形式
find pathname -options [-print -exec -ok]
-pathname :find命令所查找的目录路径。如用"."来表示当前的目录，用/来表示系统根目录
-print :find命令将匹配的文件输出到标准输出
-exec: find命令对匹配的文件执行该参数所给出的shell命令，相应的命令形式为
'command'{} /; (注意{}和/之间的空格)
-ok 和 -exec的作用相同，只不过以一种更为安全的模式来执行该参数所给出的shell命令，在执行每一个命令之前，都会给出提示，让用户来确定是否执行。
options有如下几种：
-name ：按照文件名查找文件
-perm ：按照文件权限来查找文件
-user ：按照文件属主来查找文件
-group ：按照文件所属的组来查找文件
-mtime -n +n 按照文件的更改时间来查找文件，-n表示文件更改时间距现在n天以内，+n表示文件更改时间距现在n天以前。find命令还有-atime 和-ctime选项，但它们都和-mtime选项相似。
-size n[c]查找文件长度为n块的文件，带有c时表示文件长度以字节计。
-nogroup 查找无有效所属组的文件，即该文件所属的组在/etc/groups中不存在
-newer file1 !file2查找更改时间比文件file1新但比文件file2旧的文件
-depth 先查找指定目录有无匹配文件，若无则再在子目录中查找
-type 查找某一类型的文件，如
b :块设备文件
d：目录
e：字符设备文件
p；管道文件
l：符号链接文件
f：普通文件
（3）find命令举例
find -name "*.txt" -print 查找txt结尾的文件并输出到屏幕上
find /cmd ".sh" -print 查找/cmd目录下所有sh文件，并输出
find . -perm 755 -print 查找当前目录下权限为755的文件，并输出
find `pwd` -user root -print 查找当前目录下属主为root的文件，并输出
find ./ -group sunwill -print 查找当前目录下所属主是sunwill的文件
find /var -mtime -5 -print 查找/var目录下更改时间为5天内的所有文件
find /var -mtime +5 -print 查找/var目录下更改时间为5天以前的所有文件
find /var -newer "myfile1" ! -newer "myfile2" -print 查找/var目录下比myfile1新，但是比myfile2旧的所有文件。
find /var -type d -print 查找/var目录下所有目录
find /var -type l -print 查找/var目录下所有的符号链接文件。
find . -size +1000000c -print 查找当前目录下大于1000000字节的文件
find / -name "con.file" -depth -print 查找根目录下有无"con.file",若无则在其子目录中查找
find . -type f -exec ls -l {} /; 查找当前目录下是否有普通文件，若有则执行ls -l
（4）xargs命令
在使用find命令的-exec选项处理匹配到的文件时，find命令将所有匹配到的文件一起传递给exec。不幸的是，有些系统对能够传递给exec的命令长度有限制，这样find命令运行几分钟之后就算出现溢出错误。错误信息通常是“参数列太长”或“参数列溢出”。这就是xargs的用处所在，特别是与find命令一起使用,exec会发起多个进程，而xargs会多个，只有一个
find ./ -perm -7 -print | xargs chmod o-w 查找权限为7的文件并传递给chmod处理

3.grep介绍
(1)grep 的一般格式为 grep [options] 基本正则表达式 [文件]
字符串参数最好采用是双引号括，一是以防被误解为shell命令，二是可以用来查找多个单词组成的字符串
-c：只输出匹配行的记数
-i：不区分大小写（只适用于单个字符）
-h：查询多个文件时不显示文件名
-H：只显示文件名
-l：查询多文件时只输出包含匹配字符的文件名
-n：只显示匹配行及其行号
-s：不显示不存在或无匹配文本的错误信息。
-v：显示不包含匹配文本的所有行。
（2）举例说明：
grep ^[^210] myfile 匹配myfile中以非2、1、0开头的行
grep "[5-8][6-9][0-3]" myfile 匹配myfile中第一位为5|6|7|8，第二位6|7|8|9，第三位为0|1|2|3的三个字符的行
grep "4/{2,4/}" myfile 匹配myfile中含有44,444或4444的行
grep "/?" myfile匹配myfile中含有任意字符的行
（3）grep命令类名
[[:upper:]] 表示[A-Z]
[[:alnum:]] 表示[0-9a-zA-Z]
[[:lower:]] 表示[a-z]
[[:space:]] 表示空格或者tab键
[[:digit:]] 表示[0-9]
[[:alpha:]] 表示[a-zA-Z]
如：grep "5[[:digit:]][[:digit:]]" myfile 匹配myfile中含有5开头接下去两位都是数字的行。

4.awk介绍
可以从文件或字符串中基于指定规则浏览和抽取信息，是一种自解释的变成语言。
（1）awk命令行方式 awk [-F filed-spearator] 'command' input-files
awk脚本：所有awk命令插入一个文件，并使awk程序可执行，然后用awk命令解释器作为脚本的首行，以便通过键入脚本名称来调用它。awk脚本是由各种操作和模式组成。
模式部分决定动作语句何时触发及触发事件。（BEGIN,END）
动作对数据进行处理，放在{}内指明（print）
（2）分隔符、域和记录
awk执行时，其浏览域标记为$1,$2,...$n.这种方法成为域标识。$0为所有域。
（3）举例说明:
awk '{print $0}' test.txt |tee test.out 输出test.txt中所有行$0表示所有域
awk -F : '{print $1} test.txt |tee test.out' 同上。。只是分隔符为":"
awk 'BEGIN {print "IPDate/n"}{print $1 "/t" $4} END{print "end-of-report"}' test.txt
开始时打印“IPDate”结束时打印“end-of-report”中间打印主体信息，比如总共匹配三条信息，则输出如下：
IPDate
1 first
2 second
3 third
end-of-report
（4）匹配操作符 ~ 匹配,!~ 不匹配
cat test.txt |awk '$0~/210.34.0.13/' 匹配test.txt中为210.34.0.13的行
awk '$0!~/210.34.0.13' test.txt 匹配test.txt中不是210.34.0.13的行
awk '{if($1=="210.34.0.13") print $0}' test.txt 匹配 test.txt中第一个域为210.34.0.13的行。

5.sed介绍
sed不与初始化文件打交道，它操作的只是一个拷贝，然后所有的改动如果没有重定向到一个文件，将输出到屏幕。
sed是一种很重要的文本过滤工具，使用一行命令或者使用管道与grep与awk相结合。是一种非交互性文本流编辑。
（1）调用sed的三种方式
使用sed命令行格式为：sed [options] sed命令 输入文件
使用sed脚本文件格式为：sed[options] -f sed脚本文件 输入文件
sed脚本文件[options] 输入文件
--不管是使用shell命令行方式或脚本文件方式，如果没有指定输入文件，sed从标准输入中接受输入，一般是键盘或重定向结果。
（2）sed 命令的options如下
-n：不打印
-c：下一命令是编辑命令
-f：如果正在调用sed脚本文件
（3）sed在文件中查询文本的方式
--使用行号，可以是一个简单的数字，或是一个行号的范围
--使用正则表达式
（4）读取文本的方式
x x为一行号
x,y 表示行号范围从x到y
/pattern/ 查询包含模式的行
/pattern/pattern/ 查询包含两个模式的行
pattern/,x 在给定的行号上查询包含模式的行
x,/pattern/ 通过行号和模式查询匹配行
x,y! 查询不包含指定行号x和y的行
（5）基本sed编辑命令
p 打印匹配行
d 删除匹配行
= 显示文件行号
a/ 在定位行号后附加新文本信息
i/ 在定位行号后插入新文本信息
c/ 用新文本替换定位文本
s 使用替换模式替换相应模式
r 从另一个文件中读文件
w 写文本到一个文件
q 第一个模式匹配完成后推出或立即退出
l 显示与八禁止ASCII代码等价的控制字符
{} 在定位行执行的命令组
n 从另一个文件中读文本下一行，并附加在下一行
g 将模式2粘贴到/pattern n/
y 传送字符
（6）举例说明：
sed -n '2p' test.txt 打印第二行的信息(注意：-n是不打印不匹配的信息，若没加-n，则打印文件的所有信息而不是匹配信息)
sed -n '1,4p' test.txt 打印第一行到第四行的信息
sed -n '/los/p' test.txt模式匹配los，并打印出来
sed -n '2,/los/p' test.txt 从第二行开始。。知道匹配第一个los
sed -n '/^$/p' test.txt 匹配空行
sed -n -e '/^$/p' -e '/^$/=' test.txt 打印空行及行号
sed -n '/good/a/morning' test.txt 在匹配到的good后面附加morning
sed -n '/good/i/morning' test.txt 在匹配到的good前面插入morning
sed -n '/good/c/morning' test.txt 将匹配到的good替换成morning
sed '1,2d' test.txt 删除第1和2行
sed 's/good/good morning/g' test.txt 匹配good并替换成goodmorning
send 's/good/& hello /p' test.txt 匹配到good就在其后面加上hello
send 's/good/ hello &/p' test.txt 匹配到good就在其前面加上hello

6.合并与分割（sort,uniq,join,cut,paste,split）
(1)sot命令
sort [options] files 许多不同的域按不同的列顺序分类
-c 测试文件是否已经分类
-m 合并两个分类文件
-u 删除所有复制行
-o 存储sort结果的输出文件名
-t 域分隔符，用非空格或tab开始分类
+n ：n 为域号，使用此域号开始分类
-n 指定分类是域上的数字分类项
-r 比较求逆
sort -c test.txt 测试文件是否分类过
sort -u test.txt 排序并合并一样的行
sort -r test.txt 以相反的顺序排列
sort -t "/" +2 test.txt 以"/"分隔，第二个域开始分类
（2）uniq命令
uniq [options ] files 从一个文本文件中去除或禁止重复行
-u 只显示不重复行
-d 只显示有重复数据行，每种重复行只显示其中一行
-c 打印每一重复行出现次数
-f ：n为数字，前n个域被忽略
uniq -f 2 test.txt 忽略前2个域
（3）join 命令
join [options] file1 file2 用来将来自两个分类文本文件的行连在一起
-an，n为一数字，用于连接时从文件n中显示不匹配行
-onm ，连接域，n为文件号，m为域号
-jnm，n为文件号，m为域号，使用其他域作连接域
-t ，域分隔符。用来设置非空格或tab键的域分隔符。
（4）split命令
split -output_file_size intput_filename output_filename
用来将大文件分割成小文件。
-b n，每个分割文件的大小n
-C n，每个分割文件一行最多n字节
-l n，每个分割文件的行数
-n，同-l n
split -10 test.txt 将test.txt分割成10行的小文件
（5）cut 命令
cut -c n1-n2 filename 显示每行从开头算起 n1 到 n2 的文字。
cut -c 3-5 test.txt 显示test.txt中每行从第3到第5个字符

-------------------------------------------------------------------------结束