数据预处理中会经常遇到很多文本转换,清理的情况,有的时候数据可能位于服务器上,上传下载代码非常繁琐,与其写python处理,还不如用shell 一句话解决。
常更常新~~~~
grep
grep [-abcEFGhHilLnqrsvVwxy][-A<显示行数>][-B<显示列数>][-C<显示列数>][-d<进行动作>][-e<范本样式>][-f<范本文件>][--help][范本样式][文件或目录...]
参数:
-a 或 --text : 不要忽略二进制的数据。
-A<显示行数> 或 --after-context=<显示行数> : 除了显示符合范本样式的那一列之外,并显示该行之后的内容。
-b 或 --byte-offset : 在显示符合样式的那一行之前,标示出该行第一个字符的编号。
-B<显示行数> 或 --before-context=<显示行数> : 除了显示符合样式的那一行之外,并显示该行之前的内容。
-c 或 --count : 计算符合样式的列数。
-C<显示行数> 或 --context=<显示行数>或-<显示行数> : 除了显示符合样式的那一行之外,并显示该行之前后的内容。
-d <动作> 或 --directories=<动作> : 当指定要查找的是目录而非文件时,必须使用这项参数,否则grep指令将回报信息并停止动作。
-e<范本样式> 或 --regexp=<范本样式> : 指定字符串做为查找文件内容的样式。
-E 或 --extended-regexp : 将样式为延伸的正则表达式来使用。
-f<规则文件> 或 --file=<规则文件> : 指定规则文件,其内容含有一个或多个规则样式,让grep查找符合规则条件的文件内容,格式为每行一个规则样式。
-F 或 --fixed-regexp : 将样式视为固定字符串的列表。
-G 或 --basic-regexp : 将样式视为普通的表示法来使用。
-h 或 --no-filename : 在显示符合样式的那一行之前,不标示该行所属的文件名称。
-H 或 --with-filename : 在显示符合样式的那一行之前,表示该行所属的文件名称。
-i 或 --ignore-case : 忽略字符大小写的差别。
-l 或 --file-with-matches : 列出文件内容符合指定的样式的文件名称。
-L 或 --files-without-match : 列出文件内容不符合指定的样式的文件名称。
-n 或 --line-number : 在显示符合样式的那一行之前,标示出该行的列数编号。
-o 或 --only-matching : 只显示匹配PATTERN 部分。
-q 或 --quiet或--silent : 不显示任何信息。
-r 或 --recursive : 此参数的效果和指定"-d recurse"参数相同。
-s 或 --no-messages : 不显示错误信息。
-v 或 --invert-match : 显示不包含匹配文本的所有行。
-V 或 --version : 显示版本信息。
-w 或 --word-regexp : 只显示全字符合的列。
-x --line-regexp : 只显示全列符合的列。
-y : 此参数的效果和指定"-i"参数相同。
sed
sed [-hnV][-e<script>][-f<script文件>][文本文件]
参数说明:
参数说明:
-e<script>或--expression=<script> 以选项中指定的script来处理输入的文本文件。
-f<script文件>或--file=<script文件> 以选项中指定的script文件来处理输入的文本文件。
-h或--help 显示帮助。
-n或--quiet或--silent 仅显示script处理后的结果。
-V或--version 显示版本信息。
动作说明:
a :新增, a 的后面可以接字串,而这些字串会在新的一行出现(目前的下一行)~
c :取代, c 的后面可以接字串,这些字串可以取代 n1,n2 之间的行!
d :删除,因为是删除啊,所以 d 后面通常不接任何咚咚;
i :插入, i 的后面可以接字串,而这些字串会在新的一行出现(目前的上一行);
p :打印,亦即将某个选择的数据印出。通常 p 会与参数 sed -n 一起运行~
s :取代,可以直接进行取代的工作哩!通常这个 s 的动作可以搭配正规表示法!例如 1,20s/old/new/g 就是啦!
awk
awk [选项] '匹配规则和处理规则 ' [处理文本路径]
简单用法
语法说明
- {} :循环(每次只处理一行数据)
- $0: 保存当前行的内容 ,$1,$2,$3表示第一列,第二列,第三列
NR: 记录号(行号),每处理完一条记录,NR值加1
NF: 保存记录的字段数(总共保存的列数),$1,$2…$100
FS: 输入字段分隔符,默认空格
OFS:输出字段分隔符 - //:使用的匹配规则
- -F:指定分隔符,默认分隔符石空格,紧跟,无需引号
- 默认输出分隔符,也是空格
- OFS使用内置变量作为输出分隔符
[root@node1 awkdir]# cat awktxt
zaishu mysql qq
xasdf xxx sdfsadf
dd xx
[root@node1 awkdir]# awk '{print $1,$2}' awktxt
zaishu mysql
xasdf xxx
dd xx
[root@node1 awkdir]# awk -v OFS='+++' '{print $1,$2}' awktxt
zaishu+++mysql
xasdf+++xxx
dd+++xx
# 分隔符 用-F指定分隔符
awk -F: '{print $1}' /etc/passwd # 以:分割,打印第一列
awk -F: '/root/' /etc/passwd #把/etc/passwd中的包含root的行打印出来
awk -F: '{print $(NF-2)}' /etc/passwd #要求输出倒数第3列
awk -F: '{printf "%-15s %s\n",$1,$NF}' /etc/passwd #格式化输出第一列和最后一列
awk -F '{print $3,$3+1}' /etc/passwd # 运算
awk -F: '{if( NR % 2 ){print NR,$0}}' /etc/passwd # 打印奇数行
awk -F: '/bash/{if(NR%2==0){print NR,$0}}' /etc/passwd #打印出偶数行中的包含bash的行
常用案例
去掉空格
cat input.txt | sed 's/ //g' >output.txt #g 是替换每一个,不加g是替换一次
字母大小写转换
# 小写转大写
cat input.txt | tr '[a-z]' '[A-Z]' >output.txt
# 大写转小写
cat input.txt | tr '[A-Z]' '[a-z]' >output.txt
查找
查找包含数字,输出整行
grep -E [0-9]+ -a input.txt >output.txt
查找包含字母,输出整行
# 包含小写字母的行,全部输出
grep -E [a-z]+ -a input.txt >output.txt
# 包含大写字母的行,全部输出
grep -E [A-Z]+ -a input.txt >output.txt
# 包含英文字母的行,全部输出
grep -E [A-Za-z]+ -a ./train.txt >./train_en_word.txt
$ echo "我 也 要 追 她 然后 光明正大 的 和 他 竞争 我 like他"|grep -E [a-z]+
我 也 要 追 她 然后 光明正大 的 和 他 竞争 我 like他
查找不包含数字,字母的行,输出整行
grep -vE [a-z]+ -a input.txt >output.txt
只输出符合 RE 的字符串
grep -vE [a-z]+ -a input.txt >output.txt
$ echo "我 也 要 追 她 然后 光明正大 的 和 他 竞争 我 like他"|grep -oE [a-z]+
like
删除
```shell删除2-5行,包含2,5行内容
$ nl /etc/passwd | sed ‘2,5d’ 1 root:x:0:0:root:/root:/bin/bash 6 sync:x:5:0:sync:/sbin:/bin/sync 7 shutdown:x:6:0:shutdown:/sbin:/sbin/shutdown …..(后面省略)…..
只要删除第 2 行
$ nl /etc/passwd | sed ‘2d’
要删除第 3 到最后一行
$ nl /etc/passwd | sed ‘3,$d’ ```