《鸟哥的Linux私房菜》读书笔记2
1. 压缩后缀与压缩程序:
*.Z compress 程序压缩的档案;
*.bz2 bzip2 程序压缩的档案;
*.gz gzip 程序压缩的档案;
*.tar tar 程序打包的数据,并没有压缩过;
*.tar.gz tar 程序打包的档案,其中并且经过 gzip 的压缩。
注意,压缩会替换原文件。
2. zcat读取压缩文件内容,而不需要解压,适用于compass/gzip压缩文件;用bzcat读取bzip2压缩文件。
3. 打包(非压缩)tar
"tar -cvf dir.tar dir"只打包不压缩;
"tar -zcvf dir.tar.gz dir"打包并用gzip压缩;
"tar -zxvf dir.tar.gz"解压解包(先cd进入目的路径,tar.gz用绝对路径表示)
4. vi
"vi file"进入一般模式,按“:wq”(强制“:wq!”)保存并退出;一般模式下按i/o/a/R进入编辑模式,按ESC退回一般模式;一般模式下按/,:?进入指令模式,。
vi一般模式中,在底部会显示“插入”“替换”字样。
5. vi一般模式中的命令:之——光标移动
0:行首;
$:行末;
H:屏幕首行;
M:屏幕中间;
L:屏幕末行;
gg:文档首行(1G);
G:文档末行;
<space>:右移一个字符;
注意:前面可加常数n的命令:<space><G>和方向键等;
6. vi一般模式中的命令:之——查找替换:
/word:向下搜索;
?word:向上搜索;
以上2命令用n顺序搜索,N逆向搜索;
:n1,n2s/word1/word2/gc:在第n1和n2之间,将word1替换为word2(s),并需确认(gc),无需确认则为(g);
注意:以上命令可用$代替文档末行;
6. vi一般模式中的命令:之——复制粘帖删除:
x,X:x向后删除一个字符,X向前删除;nx:向后删除n个字符;
dd:删除该行;ndd:向下删除n行;d$:删除光标所在到最后一行;
yy:复制该行;nyy:复制该行向下n行;
p,P:p在下面粘帖;P在上面粘帖;
u:撤销动作;Ctrl+r:重做动作;
.:重复动作;
7. vi一般模式中的命令:之——进入编辑:
i,I:i当前字符处插入,I行首插入(看起来很自私,以我“I”为中心);
a,A:a当前字符下一初插入,A行末插入(很谦让);
o,O:o下一行,O上一行(特立独行的样子);
r,R:r取代一个字符,R不停取代字符,ESC结束;
8. vi命令模式命令:
:w:保存;:w!:强制保存;:w [filename]:另存;
:q:离开;:wq:先保存再离开;:q!:强制离开不保存;
ZZ:档案修改,则保存并离开;否则直接离开;
:r [filename]:将filename内容添加过来,放在光标后面行;
:! command:暂时执行command命令;
:set nu:显示行号;:set nonu:不显示;
9. vi区块选择:
Ctrl+v,可选择区块,y进行复制所选块,d删除块。
10. 在 DOS 使用的断行字符为 ^M$ ,我们称为 CR 与 LF 两个符号。 而在 Linux 底下,则是仅有 LF ($) 这个断行符号。
可用"unix2dos [-kn] file [newfile]"和"dos2unix [-kn] file [newfile]"进行转换;
《鸟哥的Linux私房菜》读书笔记2的更多相关文章
- <数据挖掘导论>读书笔记11异常检测
异常检测的目标是发现与大部分其他对象不同的对象.通常,异常对象被称作离群点(Outlier). 异常检测也称偏差检测(Deviation detection),因为异常对象的属性值明显偏离期望的或者常 ...
- <数据挖掘导论>读书笔记10聚类分析续
基于原型的聚类 模糊c均值使用模糊逻辑和模糊集合论的概念,提出一种聚类方案,它很像K均值,但是不需要硬性地将对象分派到一个簇中.模糊c均值算法有时也称为FCM 混合模型聚类采取这样的访谈,簇集合可以用 ...
- <数据挖掘导论>读书笔记9聚类分析
1. 聚类分析仅根据在数据中发现的描述对象及其关系的信息,将数据对象分组. 其目标是组内的对象相互之间是相似的或者相关的,而不同组中的对象是不同的或者不相关的. 2.聚类分析的重要技术 K均值:K均值 ...
- <数据挖掘导论>读书笔记8FP树
1FP树
- <数据挖掘导论>读书笔记7 Apriori算法
Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法.其核心是基于两阶段频集思想的递推算法.该关联规则在分类上属于单维.单层.布尔关联规则.在这里,所有支持度大于最小支持度的项集称为频繁项 ...
- <数据挖掘导论>读书笔记4--其他分类技术
1.基于规则的分类器 2.最近邻分类器 3.贝叶斯分类器 4.人工神经网络 5.支持向量机 6.组合方法 7.不平衡类问题 8.多类问题
- <数据挖掘导论>读书笔记6关联分析的高级概念
处理联系属性: 基于离散化的方法 基于统计学的方法 非离散化方法 处理概念分层 定义在一个特定领域的各种实体或者概念的多层组织.概念分层可以用有向无环图DAG来标示. 序列模式 可选计数方案 COBJ ...
- <数据挖掘导论>读书笔记5关联分析的基本概念和算法
关联规则的强度可以用support度和confidence(置信)度来度量 关联规则发现 给定事务的集合T,关联规则发现是指找出支持度大于等于minsup并且置信度大于等于minconf的所有规则, ...
- <数据挖掘导论>读书笔记3--分类
1.分类的基本概念 分类任务就是通过学习得到一个目标函数f,把每个属性集x映射到一个预先定义的类标号y 目标函数也称为分类模型. 2. 解决分类问题的一般方法: 决策树分类法 基于规则的分类法 神经网 ...
- <数据挖掘导论>读书笔记2
1.频率和众数 frequency(vi)=具有属性值vi的对象数/m 分类属性的众数mode是具有最高频率的值. 2.百分位数 3.位置度量:均值和中位数 4.散布度量:极差和方差 绝对平均偏差 A ...
随机推荐
- 要成为一个 Java 架构师得学习哪些知识?
作者:zhuqz链接:https://www.zhihu.com/question/29031276/answer/54631312来源:知乎著作权归作者所有.商业转载请联系作者获得授权,非商业转载请 ...
- Spring Cloud之统一fallback接口
每个方法都配备一个fallback方法 不利于开发的 用类的方式 并且整个方法都是在同一个线程池里面的 主要对于client的修改: pom: <project xmlns="http ...
- jQuery学习(3)
可以在select中设置size属性的属性值,从而让下拉列表中的选项都显示出来. <!DOCTYPE html> <html> <head> <title&g ...
- 【海量之道】海量之道之SET模型
本文介绍了set模型. 一 提供海量服务时面对的场景 场景1:如何令黄村机房的TWS机器访问黄村机房的APP服务,避免TWS跨机房调用永丰机房的APP机器? 场景2:DB和Redis如何实现快慢分离, ...
- Delphi Stringlist Delimiter如何区分TAB和空格
var st: TStrings; begin st := TStringList.Create; st.StrictDelimiter := True;//这个多少人用过? st.Delimiter ...
- javascript通用参数判断
//判断value是小于等于max的数字function isNumberMax(value, max){ if(!isNumber(value) || !isNumber(max)){ ...
- 防止未登录用户操作—struts2拦截器简单实现(转)
原文地址:http://blog.csdn.net/zhutulang/article/details/38351629 尊重原创,请访问原地址 一般,我们的web应用都是只有在用户登录之后才允许操作 ...
- (转)C协程实现的效率对比
前段时间实现的C协程依赖栈传递参数,在开启优化时会导致错误,于是实现了一个ucontext的版本,但ucontext的切换效率太差了, 在我的机器上执行4000W次切换需要11秒左右,这达不到我的要求 ...
- rabbitmq-交换机
四种交换机: direct fanout topic headers http://www.jianshu.com/p/469f4608ce5d
- PS 滤镜——(扭曲)球面化 Spherize
%%%% Spherize clc; clear all; close all; addpath('E:\PhotoShop Algortihm\Image Processing\PS Algorit ...