GNU 常用文本处理命令

发表于 更新于

续上文。

GNU/CoreUtils 的 Text utilities 提供了一些便利的文本处理命令，配合“管道”组合使用可以大大提高文本处理效率。

命令

下面介绍一些最常用的利用管道进行组合的命令：

grep

grep

grep 命令使用正则表达式以行为单位进行文本搜索（global search regular expression(RE) and print out the line），其命令格式如下：

1
grep [选项] 'PATTERN' [文本文件]

常用选项：

选项 描述 例子
-c, --count 打印匹配的行数
-m NUM, --max-count=NUM 打印前 NUM 行
-n, --line-number 打印行号
-v, --revert-match 反转查找（非）
-A , --after 可加数字，表示打印后面n行
-B , --before 可加数字，表示打印前面n行
-i 不区分大小写
-r 递归目录查找 grep -r "XXX" *
--color 关键字高亮
-E 使用正则表达式，替代 egrep 命令
-F 在一个或多个文件中搜索固定的字符串，替代 fgrep 命令

且（AND）：

1
2
# 使用管道符连接多个 grep 命令
grep 'pattern1' filename | grep 'pattern2'

或（OR）：

1
2
3
4
5
6
7
8
# 方法一：使用转义字符 \|
grep 'pattern1\|pattern2' filename

# 方法二：使用正则表达式选项 -E
grep -E 'pattern1|pattern2' filename

# 方法三：egrep 相当于 grep -E
egrep 'pattern1|pattern2' filename

非（NOT）：

1
grep -v 'pattern' filename

参考：

https://stackoverflow.com/questions/9969414/always-include-first-line-in-grep

tr

tr 命令用于替换或删除指定的字符（注意不接收文件参数），其命令格式如下：

1
tr [options] string1 string2

可用于将小写转换成大写：

1
2
$ echo 'abcdef' | tr 'a-z' 'A-Z'
ABCDEF

-d 参数可用于删除指定的字符：

1
2
$ echo 'abcdef' | tr -d 'def'
abc

-s 参数可用于删除所有重复出现字符序列，只保留第一个；即将重复出现字符串压缩为一个字符串：

1
2
$ echo 'abbbbbbbbbc' | tr -s 'b'
abc

-d 和 -s 常用于删除所有换行符 \n 和合并空格 [:space:]：

1
$ cat logfile | tr -d '\n\t' | tr -s [:space:]

cut

cut 命令以行为单位，用于截取某段数据，如字节、字符和字段。其命令格式如下：

1
cut [选项] [范围] [文本文件]

使用 -d 指定分隔符（默认为制表符），例如：cut -d ':' -f -2 /etc/passwd。

常用的几种选项如下：

选项 描述
-f, --fields 以字段为单位
-c, --characters 以字符为单位
-b, -- bytes 以字节为单位

常用的几种范围如下：

选项 描述
n 第 n 个
n- 从第 n 个到最后一个
n-m 从第 n 个到第 m 个
-m 从第一个到第 m 个
- 从第一个到最后一个
n,m 第 n、m 个

注意，在 UTF-8 编码下，汉字占三个字节。

sort

sort&uniq

sort 命令以行为单位，用于对文本文件内容进行排序。其命令格式如下：

1
sort [选项] [文本文件]

常用的选项如下：

选项 描述
-n, --numeric-sort, --sort=numeric 依照数值的大小排序（默认是以文字）
-r, --reverse 反向排序

uniq

uniq 命令以行为单位，用于合并文本文件中重复出现的行列。它比较相邻的行，在正常情况下，第二个及以后更多个重复行将被删去，因此在合并前常常会先使用 sort 命令排序。行比较是根据所用字符集的排序序列进行的。其命令格式如下：

1
uniq [选项] [文本文件]

常用的选项如下：

选项 描述
-i, --ignore-case Case insensitive comparison of lines.
忽略大小写
-c, --count Precede each output line with the count of the number of times the line occurred in the input, followed by a single space.
进行计数
-d, --repeated Output a single copy of each line that is repeated in the input.
只显示重复行（交集）
-u, --unique Only output lines that are not repeated in the input.
只显示不重复的行（差集）

例子：

1
2
3
4
5
cat a b | sort | uniq > c   # c is a union b

cat a b | sort | uniq -d > c   # c is a intersect b

cat a b | sort | uniq -u > c   # c is set difference a - b

wc

wc 命令用于统计字节数、字数、行数，其命令格式如下：

1
wc [选项] [文本文件]

常用的选项如下：

选项 描述
-l, --lines 只显示行数
-w, --words 只显示字数
-c, --chars 或 --bytes 只显示字节数

tee

tee 是一种双向重定向命令，用于可以将数据流处理过程中的某段结果保存到文件，其处理过程如下：

tee

常用的选项如下：

选项 描述
-a, --append 附加到既有文件的后面，而非覆盖它
-i, --ignore-interrupts 忽略中断信号

xargs

xargs

例子

1、统计 Nginx 独立 IP 数：

1
$ cut -d " " -f 1 nginx_log | sort | uniq | wc –l

2、统计当前用户最常用的 10 条命令：

1
$ cut -d " " -f 1 ~/.bash_history | sort | uniq -c | sort -nr | head

3、统计重复行，逆序方式：

1
$ sort /data/tradehistory_20150804.txt | uniq -cd | sort -nr

4、统计多个文件：

1
2
3
4
$ cat /data/tradehistory_2015080*.txt | cut -d ',' -f 13 | sort | uniq -c | sort -nr
29549 20150803
24086 20150805
19520 20150804