linux 中的 文本处理工具

文本处理工具 

在linux系统中 文本工具有很多 现在具体介绍几款 如 抽取文本的工具 和文件三剑客 

文件内容:less和 cat  

文件截取：head和tail  

按列抽取：cut  

按关键字抽取：grep egrep

首先 有 查看文件的cat tac 

cat [OPTION]… [FILE]… 

  -E: 显示行结束符$ 

  -n: 对显示出的每一行进行编号 

  -A：显示所有控制符 

  -b：非空行编号 

  -s：压缩连续的空行成一行

tac 与cat 命令 一样 不过是取反

more: 分页查看文件 

more [OPTIONS…] FILE… 

  -d: 显示翻页及退出提示

less：一页一页地查看文件或STDIN输出 查看时有用的命令包括： /文本 搜索 文本 n/N 跳到下一个 or 上一个匹配 less 命令是man命令使用的分页器

显示文本前或后行内容

head head [OPTION]… [FILE]… 

  -c #: 指定获取前#字节 

  -n #: 指定获取前#行 

  -#： 指定行数 

tail tail [OPTION]… [FILE]… 

  -c #: 指定获取后#字节 

  -n #: 指定获取后#行 -#： 

  -f: 跟踪显示文件新追加的内容,常用日志监控

按列抽取文本cut和合并文件paste

  cut [OPTION]… [FILE]… 

  -d DELIMITER: 指明分隔符，默认tab 

  -f FILEDS: #: 第#个字段 #,#[,#]：离散的多个字段，例如1,3,6 #-#：连续的多个字段, 例如1-6 混合使用：1-3,7 -c 按字符切割 –output-delimiter=STRING指定输出分隔符

显示文件或STDIN数据的指定列 

  cut -d: -f1 /etc/passwd 

  cat /etc/passwd |cut -d: -f7 cut -c2-5 /usr/share/dict/words

  

paste 合并两个文件同行号的列到一行 

  paste [OPTION]… [FILE]… 

  -d 分隔符:指定分隔符，默认用TAB 

  -s : 所有行合成一行显示 

  paste f1 f2 paste  -s f1 f2

还有一些分析文本工具例如 文本数据统计：wc 整理文本：sort 比较文件：diff和patch

可收集文本统计数据wc

计数单词总数、行总数、字节总数和字符总数 可以对文件或STDIN中的数据运行 $ wc story.txt 39 237 1901 story.txt 行数 字数 字符数

   -l 来只计数行数

   -w 来只计数单词总数

   -c 来只计数字节总数

   -m 来只计数字符总数

文本排序用到的sort

把整理过的文本显示在STDOUT，不改变原始文件 $ sort [options] file(s)

常用选项  

  -r 执行反方向（由上至下）整理  

  -n 执行按数字大小整理  

  -f 选项忽略（fold）字符串中的字符大小写  

  -u 选项（独特，unique）删除输出中的重复行

  -t  c 选项使用c做为字段界定符  

  -k  X 选项按照使用c字符分隔的X列来整理能够使用多次

uniq的多次性

uniq命令：从输入中删除重复的前后相接的行

uniq [OPTION]… [FILE]… 

  -c: 显示每行重复出现的次数； 

  -d: 仅显示重复过的行； 

  -u: 仅显示不曾重复的行； 连续且完全相同方为重复 常和sort 命令一起配合使用：sort  userlist.txt  |  uniq -c

比较文件时用到的diff

比较两个文件之间的区别 $ diff foo.conf-broken foo.conf-works 5c5 < use_widgets = no –> use_widgets = yes 注明第5行有区别（改变）

打补丁的patch

 diff 命令的输出被保存在一种叫做“补丁”的文件中  

    使用 -u 选项来输出“统一的（unified）”diff格式文 件，最适用于补丁文件。

    patch 命令复制在其它文件中进行的改变（要谨慎使用 ！）  

    适用 -b 选项来自动备份改变了的文件 $ diff -u foo.conf-broken foo.conf-works > foo.patch $ patch -b foo.conf-broken foo.patch 

最后压轴的 文本处理工具三剑客的 grep 以及它的扩展正则表达式 egrep 其他两剑客分别为 sed 和awk

grep：文本过滤(模式：pattern)工具; grep, egrep, fgrep（不支持正则表达式搜索）

sed：stream editor，文本编辑工具；

awk：Linux上的实现gawk，文本报告生成器

grep: Global search REgular expression and Print out the line. 

作用：文本搜索工具，根据用户指定的“模式”对目标文 本逐行进行匹配检查；打印匹配到的行； 模式：由正则表达式字符及文本字符所编写的过滤条件

  grep [OPTIONS] PATTERN [FILE…] 

  grep root /etc/passwd grep "$USER"  /etc/passwd 

  grep '$USER'  /etc/passwd grep `whoami`  /etc/passwd

grep 的命令行有 

  –color=auto: 对匹配到的文本着色显示；  

  -v: 显示不能够被pattern匹配到的行；  

  -i: 忽略字符大小写  

  -n：显示匹配的行号  

  -c: 统计匹配的行数  

  -o: 仅显示匹配到的字符串；  

  -q: 静默模式，不输出任何信息  

  -A #：after, 后#行  

  -B #: before, 前#行  

  -C #：context, 前后各#行  

  -e：实现多个选项间的逻辑or关系 grep –e ‘cat ’  -e ‘dog’  file  

  -w：整行匹配整个单词  

  -E：使用ERE

正则表达式详解

REGEXP：由一类特殊字符及文本字符所编写的模式，其中有 些字符（元字符）不表示字符字面意义，而表示控制或通配 的功能 程序支持：grep, vim, less,nginx等 分两类： 基本正则表达式：BRE 扩展正则表达式：ERE grep -E, egrep 正则表达式引擎： 采用不同算法，检查处理正则表达式的软件模块 PCRE（Perl Compatible Regular Expressions） 元字符分类：字符匹配、匹配次数、位置锚定、分组 

基本正则表达式元字符 字符匹配 匹配次数 和位置锚定以及分组

字符匹配

  .   ： 匹配任意单个字符； 

  []  ： 匹配指定范围内的任意单个字符 

  [^] ：匹配指定范围外的任意单个字符 

  [:digit:] 所有数字

  [:lower:] 所有小写字母

  [:upper:] 所有大写字母

  [:alpha:] 所有字母

  [:alnum:] 所有的字母和数字

  [:punct:] 所有的标点符号

  [:space:] 空格和tab

匹配次数：用在要指定次数的字符后面，用于指定前面的字 符要出现的次数 

  *：匹配前面的字符任意次，包括0次 贪婪模式：尽可能长的匹配 

  .*：任意长度的任意字符 

  \?：匹配其前面的字符0或1次 

  \+：匹配其前面的字符至少1次 

  \{m\}：匹配前面的字符m次 

  \{m,n\}：匹配前面的字符至少m次，至多n次 

  \{,n\}：匹配前面的字符至多n次 

  \{m,\}：匹配前面的字符至少m次

位置锚定：定位出现的位置 

  ^：行首锚定，用于模式的最左侧 

  $：行尾锚定，用于模式的最右侧 

  ^PATTERN$: 用于模式匹配整行 

  ^$: 空行 ^[[:space:]]*$ ：空白行 

  \< 或 \b：词首锚定，用于单词模式的左侧 

  \> 或 \b：词尾锚定；用于单词模式的右侧 

  \<PATTERN\>：匹配整个单词

分组：\(\)：将一个或多个字符捆绑在一起，当作一个整体进 行处理，

  如：\(root\)\+ 分组括号中的模式匹配到的内容会被正则表达式引擎记录 于内部的变量中，这些变量的命名方式为: \1, \2, \3, … \1: 从左侧起，第一个左括号以及与之匹配右括号之间 的模式所匹配到的字符； 

实例： \(string1\+\(string2\)*\) \1: string1\+\(string2\)* \2: string2 后向引用：引用前面的分组括号中的模式所匹配字符(而 非模式本身)

egrep及扩展的正则表达式 与基本正则表达式 差不多 只有少数元字符 变得更加简洁 

egrep = grep -E egrep [OPTIONS] PATTERN [FILE…]  

  扩展正则表达式的元字符：  

  字符匹配： 

  . 任意单个字符 

  [] 指定范围的字符 

  [^] 不在指定范围的字符

次数匹配： 

  *：匹配前面字符任意次 

  ?: 0或1次 +：1次或多次 

  {m}：匹配m次 

  {m,n}：至少m，至多n次

位置锚定： 

  ^  :行首 

  \<, \b :语首 

  \>, \b :语尾  

  分组： () 后向引用：\1, \2, …  

  或者： a|b C|cat: C或cat (C|c)at:Cat或cat

正则表达式 为本章重点 个人理解 正则表达式不难 难在 正则表达式的灵活 性 需要利用正则表达式 写出按不同要求的搜索 相对应的 表达式 导致 每个人的方法可能不尽 相同 但结果却一样 这正是 正则表达式的精髓所在 可以自由组合 没有规律可寻 因题而定 还有最最重要的 理解能力 

作业

找出/proc/meminfo文件中，所有以大写或小写s开头的行，至少三种方式：

  grep -i "^s" /proc/meminfo

  grep "^[sS]" /proc/meminfo

  grep -E "^(s|S)" /proc/meminfo

电脑演示

[root@localhost Desktop]# echo "/etc/sysconfig/" |grep -oE "[^/]+/?$"

sysconfig/

[root@localhost Desktop]# echo "/etc/sysconfig/" |grep -oE "[^/]+/?$"|cut -d/ -f1

sysconfig

[root@localhost Desktop]# grep -i '^s' /proc/meminfo 

SwapCached:            0 kB

SwapTotal:       2047996 kB

SwapFree:        2047996 kB

Shmem:              2512 kB

Slab:              87860 kB

SReclaimable:      21188 kB

SUnreclaim:        66672 kB

[root@localhost Desktop]# grep -E '^(S|s)' /proc/meminfo 

SwapCached:            0 kB

SwapTotal:       2047996 kB

SwapFree:        2047996 kB

Shmem:              2512 kB

Slab:              87876 kB

SReclaimable:      21196 kB

SUnreclaim:        66680 kB

[root@localhost Desktop]# grep '^]Ss]' /proc/meminfo 

[root@localhost Desktop]# grep '^[Ss]' /proc/meminfo 

SwapCached:            0 kB

SwapTotal:       2047996 kB

SwapFree:        2047996 kB

Shmem:              2512 kB

Slab:              87860 kB

SReclaimable:      21188 kB

SUnreclaim:        66672 kB

[root@localhost Desktop]# 

显示当前系统上tian1 tian2或者tian3用户的相关信息

  grep -E "^(tian1|tian2|tian3)\>" /etc/passwd 

电脑演示

[root@localhost ~]# cat  /etc/passwd |grep -E "^(tian1|tian2|tian3)\>"

tian1:x:505:505::/home/tian1:/bin/bash

tian2:x:506:506::/home/tian2:/bin/bash

tian3:x:507:507::/home/tian3:/bin/bash

找出/etc/rc.d/init.d/functions文件中行首为某单词（包括下划线）后面跟一个小括号的行

  grep -E -o "[_[:alnum:]]+\(\)" /etc/rc.d/init.d/functions

电脑演示

[root@localhost ~]# grep -E -o "[_[:alnum:]]+\(\)" /etc/rc.d/init.d/functions

fstab_decode_str()

checkpid()

__readlink()

__fgrep()

__kill_pids_term_kill_checkpids()

__kill_pids_term_kill()

__umount_loop()

__umount_loop_2()

__source_netdevs_fstab()

__source_netdevs_mtab()

__umount_loopback_loop()

__find_mounts()

__pids_var_run()

__pids_pidof()

daemon()

killproc()

pidfileofproc()

pidofproc()

status()

echo_success()

echo_failure()

echo_passed()

echo_warning()

update_boot_stage()

success()

failure()

passed()

warning()

action()

action_silent()

strstr()

confirm()

get_numeric_dev()

is_ignored_file()

is_true()

is_false()

apply_sysctl()

key_is_random()

find_crypto_mount_point()

init_crypto()

[root@localhost ~]# 

使用echo命令输出一绝对路径，使用egrep取出基名

  echo /etc/sysconfig/ | grep -E -o "[^/]+/?$" | cut -d/ -f1

电脑演示

root@localhost Desktop]# echo "/etc/sysconfig/" |grep -oE "[^/]+/?$"

sysconfig/

[root@localhost Desktop]# echo "/etc/sysconfig/" |grep -oE "[^/]+/?$"|cut -d/ -f1

sysconfig

[root@localhost Desktop]# 

找出ifconfig命令结果中1-255之间的数值

  ifconfig | grep -E -o "\<([1-9]|[1-9][0-9]|1[0-9]{2}|2[0-4][0-9]|25[0-5])\>"

电脑演示

[root@localhost ~]# ifconfig | grep -E -o "\<([1-9]|[1-9][0-9]|1[0-9]{2}|2[0-4][0-9]|25[0-5])\>"

29

67

46

172

18

16

92

172

18

16

255

255

255

255

64

1

62

120

8

5

1

127

1

255

1

128

1

12

12

[root@localhost ~]# 

找出ifconfig命令结果中所有IPv4地址

  ifconfig | grep -E -o "(\<([1-9]|[1-9][0-9]|1[0-9]{2}|2[0-4][0-9]|25[0-5])\>\.)(\<([0-9]|[1-9][0-9]|1[0-9]{2}|2[0-4][0-9]|25[0-5])\>\.){2}\<([0-9]|[1-9][0-9]|1[0-9]{2}|2[0-4][0-9]|25[0-5])\>"

电脑演示

[root@localhost ~]# ifconfig | grep -E -o "(\<([1-9]|[1-9][0-9]|1[0-9]{2}|2[0-4][0-9]|25[0-5])\>\.)(\<([0-9]|[1-9][0-9]|1[0-9]{2}|2[0-4][0-9]|25[0-5])\>\.){2}\<([0-9]|[1-9][0-9]|1[0-9]{2}|2[0-4][0-9]|25[0-5])\>"

172.18.16.92

172.18.16.255

255.255.255.0

127.0.0.1

255.0.0.0

找出/etc/passwd文件中用户名同shell名的行

  grep -E "^([^:]+\>).*\1$" /etc/passwd

电脑演示

[root@localhost ~]# grep -E "^([^:]+\>).*\1$" /etc/passwd

sync:x:5:0:sync:/sbin:/bin/sync

shutdown:x:6:0:shutdown:/sbin:/sbin/shutdown

halt:x:7:0:halt:/sbin:/sbin/halt

[root@localhost ~]#