[转帖] Linux命令拾遗-文本处理篇

简介#

这是Linux命令拾遗系列的第二篇，本篇主要介绍Linux中与文本处理相关的命令，如xargs、grep、sed、awk等。

本系列文章索引
Linux命令拾遗-入门篇

常用文本相关命令#

cat、tac、less#

# 打印输入内容到标准输出
$ seq 3 | cat
# -n 带行号输出
$ seq 3 | cat -n
# -A 可以用来查询特殊字符
$ seq 3 | cat -A
# tac可以倒序输出
$ seq 3 | tac
3
2
1

less用于查看文件内容，如下：

$ less app.log

同时，less还是一个可交互的命令，交互方式类似于vim，如下：

操作	描述
Ctrl + f	向后翻页(forward)
Ctrl + b	向前翻页(backward)
g	跳转到首行
G	跳转到尾行，同时按Shift+g
63G	跳转到63行
j 或 或	向下滚动一行
k 或	向上滚动一行
q	退出less程序
/abc	向后搜索abc 再按n继续搜索下一个abc，再按N搜索上一个abc
?abc	向前搜索abc 再按n继续搜索上一个abc，再按N搜索下一个abc
F	不断显示文件新内容，同时按Shift + f
v	在编辑器中打开当前文件
-N	显示行号 (先按-，再按Shift + n，再按)
-I	忽略大小写搜索 (先按-，再按Shift + i，再按)
-S	不换行查看 (先按-，再按Shift + s，再按)
-R	保留颜色 (先按-，再按Shift + r，再按)
-F	一屏可展示，则直接输出 (先按-，再按Shift + f，再按)

另外，less也经常用来查看命令输出的大量内容，比如ps -ef一般会显示大量内容，这会将之前命令的执行结果从屏幕上往前推很远，使用ps -ef | less就不会有这种烦恼了。

head、tail#

# 显示前10行
$ seq 20 | head -n10
# 显示后10行
$ seq 20 | tail -n10
# 显示从第10行开始到末尾的行
$ seq 20 | tail -n+10
# 一直查看文件新追加的内容
$ tail -f temp.txt
# 生成16个字节的随机hex
$ cat /dev/urandom | head -c 16 | xxd -ps

wc、sort、uniq#

# 统计行数，单词数，字节数，之所以有10字节，是因为把换行符也算进去了
$ seq 5 | wc 
      5       5      10

# 只统计行数
$ seq 5 | wc -l
5

# 排序，-n表示数值排序，-r表示倒序，-k1表示使用第一列排序
$ seq 5 |sort -nrk1
5
4
3
2
1

# uniq做分组计数，使用uniq前数据必须排好序，故前面要加sort
$ (seq 6;seq 3 8) |sort|uniq -c
      1 1
      1 2
      2 3
      2 4
      2 5
      2 6
      1 7
      1 8

# 并集
cat a b | sort | uniq > c 
# 交集
cat a b | sort | uniq -d > c 
# 差集
cat a b b | sort | uniq -u > c 

grep#

根据正则搜索内容，它会一行一行的拿出数据中的内容，然后看这一行是否匹配正则，匹配则输出这一行的内容。

# 使用正则搜索，默认BRE，不支持+?，不支持\d
$ seq 12|grep '11*'
1
10
11
12
# -F纯字符串搜索，而不是当成正则搜索
$ seq 12|grep -F '11*'

# -w单词搜索，所以11这种搜不到
$ seq 12|grep -w '1'
1
# -E使用ERE正则搜索，支持+?，不支持\d
$ seq 12|grep -E '1+'
1
10
11
12
# -P使用PCRE正则搜索，支持+?，支持\d
seq 12|grep -P '\d\d+'
10
11
12

# -v反向搜索，显示不包含1的行
seq 12|grep -v 1
2
3
4
5
6
7
8
9
# -o只输出匹配到的数据，而不是整行
$ echo hello,java|grep -oP '\w+'
hello
java
# -c显示搜索行数
$ seq 12|grep -P '\d\d+' -c
3
# -m限制搜索行数最多2行
$ seq 12|grep -P '\d\d+' -m 2
10
11

# 搜索10并也显示之后的2行(-A2)
$ seq 12|grep -A2 -w 10
10
11
12
# 搜索10并也显示之前的2行(-B2)
$ seq 12|grep -B2 -w 10
8
9
10
# 搜索10并也显示之前以及之后的2行(-C2)
$ seq 12|grep -C2 -w 10
8
9
10
11
12

# -r在当前目录递归的找文件，并在文件中找8080这个词，-n显示8080在文件中的行号
$ grep -rn -w 8080 .

find与ls#

ls一般用来在当前目录的找文件

# 列出当前目录的文件名
ls
# -l列出当前目录的文件，以及文件属性，如创建用户、时间、大小等
ls -l
# 在当前目录找txt后缀的文件
ls *.txt
# 列出当前目录的文件，按时间倒序显示
ls -lt
# 列出当前目录的文件，按大小倒序显示
ls -lS

find一般用来递归的找文件

# 当前目录递归查找txt后缀的文件，会深入到子目录中，-type f表示查找文件，不然输出结果可能会有目录
find -name '*.txt' -type f
# 查找大于800M的文件
find . -type f -size +800M 
# 1分钟内修改过的文件 
find . -type f -mmin -1 
# 7天内修改过的文件 
find . -type f -mtime -7 

xargs#

作用：将标准输入流中的数据，转换为命令参数，并执行命令。
引入这个命令的原因是，有些命令不支持处理标准输入的数据，而只支持命令参数，如杀死进程的kill命令。
当我们想要杀死所有java进程时，可以这样做：

# 使用pgrep找出java进程
pgrep java
856
857

# 再使用kill杀死这两个java进程
kill 856 857

# 写成一行命令，如下，利用了bash的命令替换语法
kill `pgrep java`
kill $(pgrep java)

# 假如kill每次只支持一次传一个参数的话，可以用bash的for与while循环语法
for pid in `pgrep java`;do kill $pid; done
pgrep java | while read pid;do kill $pid;done

可以看到，对于上面的场景，命令越写越复杂，而xargs就可以很好的解决这个问题，如下：

# 使用xargs，将输入流按空白分拆成参数，传给kill命令，等效于上面的 kill `pgrep java`
pgrep java | xargs kill
# 使用-n选项，将输入流按空白分拆成参数，每次传一个参数给kill命令，类似上面for与while循环实现
pgrep java | xargs -n1 kill

下面体会一下xargs中常用的选项，如下：

拆分参数#

# xargs默认以空白分隔参数，不指定命令时，默认执行echo，并默认将尽可能多的参数传递给命令
$ seq 20|xargs
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
# 使用-d指定分隔符
$ seq -s, 20|xargs -d,
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

注意：没有指定-d时，xargs默认使用空白分隔，这里的空白指的是空格、TAB与换行符，且多个空白符理解为一个空白，Linux中大多数需要分拆文本为列的命令，基本都遵从这个原则，如上面介绍过的sort，以及后面将要介绍的awk。

体会一下有无-d选项上的不同，如下：

$ seq 20|xargs printf '"%s"\n'|xargs
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

$ seq 20|xargs printf '"%s"\n'|xargs -d'\n' 
"1" "2" "3" "4" "5" "6" "7" "8" "9" "10" "11" "12" "13" "14" "15" "16" "17" "18" "19" "20"

在没有指定-d选项时，xargs默认会忽略掉',",\，而有-d时则不会忽略。

参数分批#

# 使用-n或-L指定每次传参的数量
$ seq 20|xargs -n4
1 2 3 4
5 6 7 8
9 10 11 12
13 14 15 16
17 18 19 20

$ seq 20|xargs -L4
1 2 3 4
5 6 7 8
9 10 11 12
13 14 15 16
17 18 19 20

体会一下 -n 与 -L 的细节上的不同，如下：

$ seq 20|xargs -n2
1 2 
3 4 
5 6 
7 8 
9 10 
11 12 
13 14 
15 16 
17 18 
19 20

$ seq 20|xargs -n2|xargs -n4
1 2 3 4 
5 6 7 8 
9 10 11 12 
13 14 15 16 
17 18 19 20

$ seq 20|xargs -n2|xargs -L4
1 2 3 4 5 6 7 8 
9 10 11 12 13 14 15 16 
17 18 19 20

看起来好像是，在没指定-d时，-n默认使用空白符(包含空格、TAB与换行符)来分拆参数，而-L，默认使用换行符来分拆参数。

参数占位#

# 使用-i后，可使用{}来作为参数的占位符
seq 20|xargs -i echo 'id={}'

体会一下-i的细节，如下：

$ seq 20|xargs -n2|xargs -i echo 'id={}'
id=1 2 
id=3 4 
id=5 6 
id=7 8 
id=9 10 
id=11 12 
id=13 14 
id=15 16 
id=17 18 
id=19 20

看起来好像是，在没指定-d时，使用-i后，默认使用换行符来分拆参数。

调试与并发#

# 使用-p来调试xargs传参细节
$ seq 20|xargs -i -p echo 'id={}'
echo 'id=1' ?...y
id=1
echo 'id=2' ?...

# 使用-P来并发运行命令，没有-P4时需要执行10s，有-P4只需要4s
$ seq 4|xargs -n1 -P4 sleep

有些时候，利用xargs的-P选项，还可以做一些简单的压力测试哩！

常用场景#

xargs常与ls、find、grep配合，用来在指定文件中搜索内容，其中ls、find用来找文件，xargs将找到的文件名变成grep的参数，如下：

# 在当前目录的所有xml文件中，搜索8080端口配置
ls *.xml |xargs grep -w 8080
# 在当前目录及子目录的xml文件中，搜索8080端口配置
find -name '*.xml'|xargs grep -w 8080

sed#

一般用于替换修改文本数据，有流文本编辑器(Stream editor)之称，实际上，你也可以将其看做一个极其简化的脚本语言。

语法#

基本语法形如pattern action，sed会读取每一行到模式空间，看是否匹配pattern，如果匹配则执行action。

注：模式空间pattern space，后面会详细解释，现在理解为存储当前行数据的变量即可。

如sed '3,5 s/a/c/g'将第3到5行中的a替换为c，其中3,5为pattern部分，s/a/c/g为action部分，只有满足pattern条件的行，action才会执行，pattern部分可以省略，这样每一行都会执行action。

# yes可以用来不断的重复生成字符串，以此作为我们的测试数据
$ yes abcde|head -n5
abcde 
abcde 
abcde 
abcde 
abcde
# 第3到5行中的a替换为c，其中的g表示替换所有
$ yes abcde|head -n5|sed '3,5 s/a/c/g'
abcde 
abcde 
cbcde 
cbcde 
cbcde

另外pattern action还可以是如下的形式：

1. 可以组合写多个，如sed '3,5 s/a/c/g; 2,4 s/b/d/g'表示第3行到第5行的a替换为c，第2行到第4行的b替换为d。

2. 还可以嵌套，如sed '3,5{3,4 s/a/c/g; 4,5 s/b/d/g}'表示第3到5行中，其中3到4行执行a替换为c，第4到5行执行b替换为d。其实你可以认为在action只有一个时，大括号被省略了。

3. 还可以求反，如sed '3,5! s/a/c/g'表示非第3到5行的行，将a替换为c。

# 第3行到第5的a替换为c，第2行到第4行的b替换为d
$ yes abcde|head -n5|sed '3,5 s/a/c/g; 2,4 s/b/d/g'
abcde 
adcde 
cdcde 
cdcde 
cbcde
# 第3到5行中，其中3到4行执行a替换为c，第4到5行执行b替换为d
$ yes abcde|head -n5|sed '3,5{3,4 s/a/c/g; 4,5 s/b/d/g}'
abcde 
abcde 
cbcde 
cdcde 
adcde
# 非第3到5行的行，将a替换为c
$ yes abcde|head -n5|sed '3,5! s/a/c/g'
cbcde 
cbcde 
abcde 
abcde 
abcde

常见pattern#

sed默认会把action处理后的每一行打印出来，加上-n选项可以关掉默认打印，如下：

# 显示1到3行，这里action为p，表示打印，-n用来关闭默认打印，不然1到3行会打印2遍，p一般都和-n配合使用
$ seq 5|sed -n '1,3 p'
1
2
3
# pattern部分可以使用正则表达式，注意sed中的正则也不能使用\d，且记得时常搭配-E选项
# 注意pattern部分和action部分是可以随意组合的，也就是说正则形式的pattern也可以和s搭配使用
$ seq 5|sed -n '/[2-4]/ p'
2
3
4
# pattern部分也可以是逗号分隔的两个正则表达式，匹配从找到第一个正则表达式开始的行，到找到第二个正则表达式的行结束
$ seq 5|sed -n '/[2]/,/[4]/ p'
2
3
4
# 打印第1行，以及之后第间隔2行的行
$ seq 5|sed -n '1~2 p'
1
3
5
# 打印匹配行与之后的2行
$ seq 5|sed -n '/^1$/,+2 p'
1
2
3

常见action#

除了s(替换)与p(打印)外，还有d(删除)、i(插入)、a(追加)、c(修改)、q(退出)、l(打印特殊字符)，如下：

# 删除包含1和2的行
$ seq 3|sed '/[1-2]/ d'
3
# 向前插入一行，常用于设置csv标题
$ seq 3|sed '1 i\id'
id 
1 
2 
3
# 在最后一行之后追加一行，其中$表示最后一行
$ seq 3|sed '$ a\id'
1 
2 
3 
id
# 将第一行整行直接修改为id
$ seq 3|sed '1 c\id'
id 
2 
3
# 打印前5行，因为sed执行到第5行，q命令让其退出了
$ seq 9|sed '5q'
1
2
3
4
5
# 显示特殊字符
$ echo -ne '\r\n'|sed -n 'l0'
\r$

另外，s(替换)还有一些细节，这些细节实际上非常有用，体会一下：

# 替换可以使用正则的捕获组功能
$ echo 'id=1,name=zs'|sed -E 's/id=(\w+),name=(\w+)/\1 \2/'
1 zs
# g表示将所有的a替换为c
$ echo 'a,a,a,a'|sed 's/a/c/g'
c,c,c,c
# 3g表示将第3次匹配到的a以及后面匹配到的a，都替换为c
$ echo 'a,a,a,a'|sed 's/a/c/3g'
a,a,c,c
# 没有g只能替换第1次匹配
$ echo 'a,a,a,a'|sed 's/a/c/'
c,a,a,a
# 3表示只替换第3次匹配到的a为c
$ echo 'a,a,a,a'|sed 's/a/c/3'
a,a,c,a
# &表示之前匹配到的内容
$ echo 'a,a,a,a'|sed 's/.,./[&]/g' 
[a,a],[a,a]
# 大小写转换
$ echo 'hello'|sed -E 's/.+/\U&/g' 
HELLO
$ echo 'hello'|sed -E 's/.+/\u&/g' 
Hello
$ echo 'HELLO'|sed -E 's/.+/\L&/g' 
hello
$ echo 'HELLO'|sed -E 's/.+/\l&/g' 
hELLO

模式空间与保留空间#

sed中有2个概念，模式空间pattern space与保留空间hold space，简单来说，可以将其看成2个变量，其中模式空间是局部变量，sed读到的当前行数据，会被保存其中，而保留空间是全局变量。

sed运行过程可描述为如下代码：

hold_space="";
while read pattern_space; do
    # sed script here 
done 

理解了这个概念，就可以介绍下面这些action了，如下：

action	描述
n	加载下一行文本到模式空间，覆盖模式空间原数据
N	追加下一行文本到模式空间
P	打印模式空间数据的第一行
D	删除模式空间数据的第一行
: label	标记待跳转位置
b label	跳转到: label标记的位置，可用于实现分支判断与循环

# 打印偶数行
$ seq 9|sed -n 'n;p'
2
4
6
8

$ seq -s, 9
1,2,3,4,5,6,7,8,9
# 每3个一行，使用s切出新行，P打印第一行，D再删掉，如此往复直到D将模式空间数据全删掉
$ seq -s, 9|sed 's/,/\n/3;P;D'
1,2,3
4,5,6
7,8,9

$ seq 9
1
2
3
4
5
6
7
8
9
# 每3个一行，用ba跳转实现一个循环，配合N追加3行到模式空间，再将\n替换为,即可
$ seq 9|sed ':a;N;0~3!{$!ba};s/\n/,/g'
1,2,3
4,5,6
7,8,9

分段
用sed来获取指定段中的内容，所谓段就是用空行分隔的多个行，如下：

比如需要获取eth0网卡的ip地址，如下：

$ ifconfig|sed -nE '/\S/{:a;N;/\n$/!{$!ba}}; /eth0/s/.*inet (\S*).*/\1/gp'
172.21.117.1

运行过程：

1. 使用/\S/从非空白行开始，并用:a标记。
2. 不断使用N读取下一行追加到模式空间。
3. 然后使用/\n$/!{$!ba}}，若之前读到的不是空行，也不是最后一行，会命中/\n$/!与$!，然后使用ba跳转到开头，继续加载下一行进来，直到遇到空行，这样就读到了一个完整的段。
4. 使用/eth0/判断段中是否包含eth0，如果是，则提取ip地址并打印。

保留空间action

action	描述
h	将模式空间数据覆盖到保留空间
H	将模式空间数据追加到保留空间
g	将保留空间数据覆盖到模式空间
G	将保留空间数据追加到模式空间
x	交换模式空间与保留空间的数据

# 倒序输出，运行过程如下：
# sed处理第1行时会把1保存到保留空间
# 处理第2行时，会先把保留空间的1追加到模式空间，追加后模式空间就是2 1了，然后又将其保存到保留空间
# 接下来第3行就是3 2 1，如此往复，到最后一行时再输出内容即可
$ seq 5|sed -n '1!G; $p; h;'
5
4
3
2
1

# 过程与上面类似，不过每3行会打印一次并清空模式空间与保留空间罢了
$ seq 9|sed -n 'G; 0~3{p;s/.*//g};h'
3
2
1

6
5
4

9
8
7

# 打印匹配行，以及其前面4行，类似seq 9|grep -B4 7
$ seq 9|sed -n 'H; x; 4,$s/^[^\n]*\n//; x; /^7$/{g;p}'
4
5
6
7

sed里面掺杂了操作保留空间的命令后，执行过程就变得非常烧脑了，你的大脑需要飞速的运转才行。

例子：实现urldecode#

$ echo hello%E7%BC%96%E7%A8%8B|sed 's/%/\\x/g'
hello\xE7\xBC\x96\xE7\xA8\x8B

$ echo hello%E7%BC%96%E7%A8%8B|sed 's/%/\\x/g'|xargs -d"\n" echo -e
hello编程

awk#

awk是一个强大的文本处理工具，本质上可以看做是一门脚本语言了，可以用来对文本进行过滤、替换等操作，还能实现简单的统计以及类似SQL的join功能等。

语法#

awk基本语法如下：

awk 'BEGIN{
    //your code
} 
pattern1{
    //your code
} 
pattern2{
    //your code
} 
END{
    //your code
}'

1. BEGIN部分的代码，最先执行。

2. 然后循环从标准输入中读取的每行文本，如果匹配pattern1，则执行pattern1的代码，匹配pattern2，则执行pattern2中的代码。

3. 最后，执行END部分的代码。

运行过程#

如下所示，分别求奇数行与偶数行的和：

$ seq 1 5
1 
2 
3 
4 
5

$ seq 1 5|awk 'BEGIN{print "odd","even"} NR%2==1{odd+=$0} NR%2==0{even+=$0} END{print odd,even}'
odd even 
9 6

1. seq 1 5用来生成1到5的数字。

2. awk先执行BEGIN块，打印标题。

3. 然后第1行尝试匹配NR%2==1这个pattern，其中NR为awk的内置变量，表示行号，从1开始，$0为awk读到的当前行数据，显然匹配NR%2==1，则执行里面的代码。

4. 然后第1行尝试匹配NR%2==0这个pattern，显然不匹配。

5. 然后第2行、第3行...，一直到最后一行，都执行上面两步。

6. 最后执行END块，将前面求和的变量打印出来，其中9=1+3+5，6=2+4。

这个程序还可以如下这样写：

seq 1 5|awk 'BEGIN{print "odd","even"} {if(NR%2==1){odd+=$0}else{even+=$0}} END{print odd,even}'

这里使用了if语句，实际上awk的程序语法与C是非常类似的，所以awk也有else,while,for,break,continue,exit等，常见语法如下：

if (condition) statement [ else statement ]
while (condition) statement
do statement while (condition)
for (expr1; expr2; expr3) statement
for (var in array) statement
i++; i--;
i > 0 ? 1 : 0

分列#

可以看到，awk程序在处理时，默认是一行一行处理的，注意我这里说的是默认，并不代表awk只能一行一行处理数据，接下来看看awk的分列功能，可通过-F选项提供，如下：

$ cat temp.txt 
1,6 
2,7 
3,8 
4,9 
5,10

$ cat temp.txt |awk -F, '{printf "%s\t%s\n",$1,$2}'
1       6 
2       7 
3       8 
4       9 
5       10

这个例子用-F指定了,，这样awk会自动将读取到的每行，使用,分列，拆分后的结果保存在$1,$2...中，另外，你也可以使用$NF, $(NF-1)来引用最后两列的值，不指定-F时，awk默认使用空白字符分列。

注意这里面的printf "%s\t%s\n",$1,$2，printf是一个格式化打印函数，其实也可以写成printf("%s\t%s\n", $1, $2)，只不过awk中函数调用可以省略括号。

另外，对于字符串拼接，awk不需要任何连接符号，只需要将两个字符串挨在一起即可，这和C语言中一样，不同于Java中使用+拼接字符串，如下：

$ awk 'BEGIN{print "a""b"}'
ab
# 当然在中间加上空格，也是一样的，awk会忽略它
$ awk 'BEGIN{print "a" "b"}'
ab
# 但如果你用,分隔起来，就不一样了，它相当于传给print两个参数，类似print("a","b")
$ awk 'BEGIN{print "a","b"}'
a b

关联数组#

awk支持一维数组，使用数组实现上面计算奇偶数和，如下：

$ seq 1 5|awk 'BEGIN{print "odd","even"} {S[NR%2]+=$0} END{print S[1],S[0]}'
odd even
9 6

注意，awk中的数组叫关联数组，即数组key可以是任意值，不一定是数字，概念上类似于java中的Map，如下：

# 统计各进程的数量，显示数量最多的前4个
$ ps h -eo comm|awk '{S[$0]++}END{for(k in S){print S[k],k}}'|sort -nr|head -n4
9 sshd
6 httpd
3 systemd
3 bash

如果要删除数组中的元素，使用delete S[k]即可。

内置变量#

上面已经提到了NR这个内置变量，awk还有如下内置变量

内置变量	作用
$0	当前记录（这个变量中存放着整个行的内容）
$i~$n	当前记录的第n个字段
NF	当前记录中的字段个数，就是有多少列
NR	已经读出的记录数，就是行号，从1开始，如果有多个文件话，这个值也是不断累加中。
FNR	当前记录数，与NR不同的是，这个值会是各个文件自己的行号
FS	与-F功能类似，用来分列的，不过FS可以是正则表达式，默认是空白字符。 注：如果FS的值是空，代表每个字母拆分为一个
OFS	与FS对应，指定print函数输出时的列分隔符，默认空格
RS	记录分隔符，默认记录分隔符是\n 注：如果RS的值是空，代表按段划分记录
ORS	与RS对应，指定print函数输出时的记录分隔符，默认\n
FILENAME	当前输入文件的名字

用2个例子体会一下：

$ echo -n '1,2,3|4,5,6|7,8,9'|awk 'BEGIN{RS="|";FS=","} {print $1,$2,$3}'
1 2 3 
4 5 6 
7 8 9
$ echo -n '1,2,3|4,5,6|7,8,9'|awk 'BEGIN{RS="|";FS=",";ORS=",";OFS="|"} {print $1,$2,$3}'
1|2|3,4|5|6,7|8|9,

总结：awk数据读取模式，总是以RS为记录分隔符，一条一条的读取记录，然后每条记录按FS拆分为字段。

再看看这个例子：

$ seq 1 5|awk '/^[1-4]/ && !/^[3-4]/'
1
2
$ seq 1 5|awk '$0 ~ /^[1-4]/ && $0 !~ /^[3-4]/{print}'
1
2
$ seq 1 5|awk '$0 ~ /^[1-4]/ && $0 !~ /^[3-4]/{print $0}'
1
2

可以看到:

1. awk中pattern部分可以直接使用正则表达式，而且可以使用&&,||,!这样的逻辑运算符.

2. 如果正则表达式没有指定匹配变量，默认对$0执行匹配，所以awk '/regex/'直接就可以等效于grep -E 'regex'.

3. 另外pattern后面的代码部分如果省略的话，默认打印$0.

4. print函数如果没有指定参数，也默认打印$0.

5. 另外，一定注意awk中的正则表达式不支持\d，匹配数字请使用[0-9]，因为Linux中正则语法分BRE,ERE,PCRE，而awk支持的是ERE.

分段#

如下，看看用awk如何获取eht0网卡的ip地址：

ifconfig|awk -v RS= '/eth0/{print $6}'
172.21.117.1 

常用函数#

函数名	说明	示例
sub	替换一次	sub(/,/,"|",$0)
gsub	替换所有，传入字符串被替换，返回替换次数	gsub(/,/,"|",$0)
gensub	替换，返回替换后的字符串	$0=gensub(/,/,"|","g",$0)
match	匹配，捕获内容在a数组中	match($0,/id=(\w+)/,a)
split	拆分，拆分内容在a数组中	split($0,a,/,/)
index	查找字符串，返回查找到的位置，从1开始	i=index($0,"hi")
substr	截取子串	substr($0,1,i)或substr($0,i)
tolower	转小写	tolower($0)
toupper	转大写	toupper($0)
srand,rand	生成随机数	BEGIN{srand();printf "%d",rand()*10}

查找与提取#

示例数据如下，也是用awk生成的：

$ seq 1 10|awk '{printf "id=%s,name=person%s,age=%d,sex=%d\n",$0,$0,$0/3+15,$0/6}'|tee person.txt
id=1,name=person1,age=15,sex=0
id=2,name=person2,age=15,sex=0
id=3,name=person3,age=16,sex=0
id=4,name=person4,age=16,sex=0
id=5,name=person5,age=16,sex=0
id=6,name=person6,age=17,sex=1
id=7,name=person7,age=17,sex=1
id=8,name=person8,age=17,sex=1
id=9,name=person9,age=18,sex=1
id=10,name=person10,age=18,sex=1

然后用awk模拟select id,name,age from person where age > 15 and age < 18 limit 4这样SQL的逻辑，如下：

$ cat person.txt |awk 'match($0, /^id=(\w+),name=(\w+),age=(\w+)/, a) && a[3]>15 && a[3]<18 { print a[1],a[2],a[3]; if(++limit >= 4) exit 0}'
3 person3 16
4 person4 16
5 person5 16
6 person6 17

1. 首先使用match函数以及正则表达式的捕获组功能，将id,name,age的值提取到a[1],a[2],a[3]中.
2. 然后a[3]>15 && a[3]<18即类似SQL中age > 15 and age < 18的功能.
3. 然后打印a[1],a[2],a[3]，类似SQL中select id,name,age的功能.
4. 最后，如果打印条数到达4条，退出程序，即类似limit 4的功能.

简单统计分析#

awk可以做一些简单的统计分析任务，还是以SQL为例。
如select age,sex,count(*) num, group_concat(id) ids from person where age > 15 and age < 18 group by age,sex这样的统计SQL，用awk实现如下：

$ cat person.txt |awk '
    BEGIN{
        printf "age\tsex\tnum\tids\n"
    }
    match($0, /^id=(\w+),name=(\w+),age=(\w+),sex=(\w+)/, a) && a[3]>15 && a[3]<18 { 
        s[a[3],a[4]]["num"]++; 
        s[a[3],a[4]]["ids"] = (s[a[3],a[4]]["ids"] ? s[a[3],a[4]]["ids"] "," a[1] : a[1])
    } 
    END{
        for(key in s){
            split(key, k, SUBSEP);
            age=k[1];
            sex=k[2];
            printf "%s\t%s\t%s\t%s\n",age,sex,s[age,sex]["num"],s[age,sex]["ids"]
        }
    }'
age     sex     num     ids
17      1       3       6,7,8
16      0       3       3,4,5

awk代码稍微有点长了，但逻辑还是很清晰的。

1. BEGIN中打印标题行.
2. match获取出id,name,age,sex，并过滤age>15且age<18的数据，然后将统计结果累计到s这个关联数组中。你可以把s这个关联数组想象中map，然后只是有两级key而已。(注意在awk中，拼接字符串使用空格即可，并不像java中使用+号).
3. 最后END块中，遍历s这个关联数组，注意，类似s[a[3],a[4]]这样，在awk中是一个key，awk会使用SUBSEP这个变量将a[3],a[4]拼接起来，需要split(key, k, SUBSEP)，将key按SUBSEP拆分到k中，SUBSEP默认是\034文件分隔符.

多文件join处理#

awk还可以实现类似SQL中的join处理，求交集或差集，如下：

$ cat user.txt
1 zhangsan
2 lisi
3 wangwu
4 pangliu

$ cat score.txt
1 86
2 57
3 92

# 类似 select a.id,a.name,b.score from user a left join score b on a.id=b.id
# 这里FNR是当前文件中的行号，而NR一直是递增的，所以对于第一个score.txt，NR==FNR成立，第二个user.txt，NR!=FNR成立
$ awk 'NR==FNR{s[$1]=$2} NR!=FNR{print $1,$2,s[$1]}' score.txt user.txt
1 zhangsan 86
2 lisi 57
3 wangwu 92
4 pangliu

# 当然，也可以直接使用FILENAME内置变量，如下
$ awk 'FILENAME=="score.txt"{s[$1]=$2} FILENAME=="user.txt"{print $1,$2,s[$1]}' score.txt user.txt

# 求差集，打印user.txt不在score.txt中的行
$ awk 'FILENAME=="score.txt"{s[$1]=$2} FILENAME=="user.txt" && !($1 in s){print $0}' score.txt user.txt
4 pangliu

例子：ip转数字#

# ip地址转数字
$ echo 192.168.0.101|awk -F. '{print strtonum("0x"sprintf("%02X",$1)sprintf("%02X",$2)sprintf("%02X",$3)sprintf("%02X",$4))}' 
3232235621

# 数字转ip地址
$ echo 3232235621|awk -v ORS=. '{match(sprintf("%08X",$0),/(..)(..)(..)(..)/,a);for(i=1;i<=4;i++){print strtonum("0X"a[i])}}' 
192.168.0.101.

例子：实现urlencode#

$ echo -n hello编程|od -An -t u1|xargs -n1|awk -v ORS= '{c=sprintf("%c",$1);print c~/[0-9a-zA-Z.-_]/ ? c : sprintf("%%%02X",$1)}'
hello%E7%BC%96%E7%A8%8B

理解grep、sed、awk的能力#

文本处理中，最常用的就是grep、sed、awk了，因此，这哥仨也常被人合称为Linux三剑客，可见它们的重要性了，下面介绍下它们在处理能力上的异同点。

从处理文本的能力上来看，grep < sed < awk。
从命令学习难度上来看，grep < sed < awk。
以SQL来类比，如下：
grep实现了是行级别的where正则过滤功能。
sed实现了是行级别的where过滤、行号过滤与update、insert、delete等更新功能。
awk实现了是列级别的where过滤、行号过滤与update、insert、delete等更新功能，以及group by统计功能。

功能	基础命令	grep实现	sed实现	awk实现
过滤前10行	seq 20 | head -n10	seq 20 | grep -m10 '.*'	seq 20 | sed -n '1,10p'	seq 20 | awk 'NR<=10'
过滤出包含1的行		seq 20 | grep 1	seq 20 | sed -n '/1/p'	seq 20 | awk '/1/'
过滤出不包含1的行		seq 20 | grep -v 1	seq 20 | sed -n '/1/!p'	seq 20 | awk '!/1/'
过滤出大于等于8的行		seq 20 | grep -E '^([89]|[1-2][0-9])$'	seq 20 | sed -nE '/^([89]|[1-2][0-9])$/p'	seq 20 | awk '$1 >= 8'
过滤出10个包含1的行		seq 20 | grep -m10 1		seq 20 | awk '/1/ && ++n <= 10'
多条件过滤，过滤出既包含1又包含2，或不包含1与2的行		seq 50 | grep -P '^(?=.*1)(?=.*2).+|^(?!.*1)(?!.*2).+'	seq 50 | sed -n '/1/{/2/p;d};/1/!{/2/!p;d};/2/!{/1/!p;d}'	seq 50 | awk '$0 ~ /1/ && $0 ~ /2/ || $0 !~ /1/ && $0 !~ /2/'
过滤出11以及之后的2行		seq 20 | grep -A2 11	seq 20 | sed -n '/11/,+2p'	seq 20 | awk '/11/{n=1} n && n++<=3'
步进过滤，过滤出每隔3行的记录，如3,6,9...			seq 10|sed -n '0~3p'	seq 10|awk 'NR%3==0'
区间过滤，过滤出包含2到包含6的行			seq 20|sed -n '/2/,/6/p'	seq 20|awk '/2/,/6/'
提取部分文本		echo 'hello,java'|grep -oP 'hello,\K(\w+)'	echo 'hello,java'|sed -nE 's/hello,(\w+)/\1/p'	echo 'hello,java'|awk 'match($0,/hello,(\w+)/,a){print a[1]}'
更新，java替换为bash			echo 'hello,java'|sed 's/java/bash/g'	echo 'hello,java'|awk '{gsub(/java/,"bash",$0);print $0}'
插入，首行插入title			echo 'hello,java'|sed '1i\title'	echo 'hello,java'|awk '{if(NR==1){print "title"} print $0}'
删除，删除包含java行			echo 'hello,java'|sed '/java/d'	echo 'hello,java'|awk '{if(/java/){next} print $0}'
驼峰与下划线互转			echo "userId"|sed -E 's/([A-Z]+)/_\l\1/g' echo "user_id"|sed -E 's/_(.)/\u\1/g'	echo "userId"|awk '{print tolower(gensub(/([A-Z]+)/,"_\\1","g",$0))}' echo "user_id"|awk -F_ -v ORS= '{for(i=1;i<=NF;i++){print i==1 ? $i : toupper(substr($i,1,1)) substr($i,2)}}'
倒序输出	seq 9|tac		seq 9|sed -n 'G;$p;h'	seq 9|awk '{s=$0 "\n" s}END{print s}'
统计，总行数	seq 20 | wc -l	seq 20 | grep . -c	seq 20 | sed -n '$='	seq 20 | awk 'END{print NR}'
统计，分组计数	seq 20|grep -o .|sort|uniq -c			seq 20|grep -o .|awk '{S[$0]++} END{for(k in S){print S[k],k}}'

实践#

实践1：找最后10条异常日志#

tac app.log |sed '/^\S/a\\'|awk -v RS= '/ERROR/ && ++n<=10{print;if(n>=10){exit}}'|tac

实践2：统计java代码中高频词#

# uniq实现版
$ time find -name '*.java'|xargs sed -E 's/\b[A-Z]/\l&/g; s/[A-Z]/_\l&/g'|grep -w -oE '\w+'|pv -l|sort|uniq -c|sort -nrk1|head -n5
2.16M 0:00:03 [ 584k/s] [         <=>          ]
  56442 public
  46228 import
  45940 string
  42473 order
  41077 return

real    0m4.434s
user    0m4.719s
sys     0m2.911s

# awk实现版，比uniq实现快，理论上内存占用要高于uniq
$ time find -name '*.java'|xargs sed -E 's/\b[A-Z]/\l&/g; s/[A-Z]/_\l&/g'|grep -w -oE '\w+'|pv -l|awk '{S[$0]++}END{for(k in S){print S[k],k}}'|sort -nrk1|head -n5
2.16M 0:00:02 [1.03M/s] [         <=>          ]
56442 public
46228 import
45940 string
42473 order
41077 return

real    0m2.366s
user    0m2.324s
sys     0m3.050s

总结#

熟练掌握文本处理命令十分重要，原因是命令的输入数据，以及命令执行后的输出结果，基本都是纯文本的，因此如果想比较轻松地使用Linux命令解决工作需求，就必须熟练掌握这些常见的文本处理命令。

另外，之前也分享过Linux中的常见文本命令使用技巧，更偏实际应用场景，感兴趣可前往查看：
原来awk真是神器啊
Linux文本命令技巧(上)
Linux文本命令技巧(下)
使用Linux命令快速查看某一行

知识延伸指引#

1. 下面这个斐波那契数列，是怎么计算出来的？

(echo 0;echo 1) > num.txt
tail -n+0 -f num.txt|awk 'NR>1{print pre+$0;fflush()}{pre=$0}' >> num.txt

2. 尝试用-p调试下面两个xargs程序，理解输出不同的原因？

$ seq 6|xargs -n2|xargs -L1 printf "<%s> " 
<1> <2> <3> <4> <5> <6>

$ seq 6|xargs -n2|xargs -d'\n' -L1 printf "<%s> " 
<1 2> <3 4> <5 6>

3. grep为啥默认不支持\d，BRE、ERE、PCRE又是啥？

答案参考：这grep咋还不支持\d呢(BRE,ERE,PCRE)

4. 为啥这条命令，sed不加-u，输出不了数据？为啥加了stdbuf -oL后又能输出数据了？

while sleep 1;do echo $((i++)); done|sed 's/.\+/&+1/g'|bc
while sleep 1;do echo $((i++)); done|sed -u 's/.\+/&+1/g'|bc
while sleep 1;do echo $((i++)); done|stdbuf -oL sed 's/.\+/&+1/g'|bc

答案参考：shell管道咋堵住了？

5. 下面这些文本命令分别是做什么用的？

tr cut paste comm join

答案参考：Linux文本命令技巧(上)

往期内容#

Linux命令拾遗-入门篇
原来awk真是神器啊
Linux文本命令技巧(上)
Linux文本命令技巧(下)
字符编码解惑