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

  1. <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 ...

  2. <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 ...

  3. <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 ...

  4. <数据挖掘导论>读书笔记8FP树

    1FP树

  5. <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 ...

  6. <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

  7. <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 ...

  8. <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, ...

  9. <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 ...

  10. <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

  1. jquery详解图片平滑滚动

    jquery详解图片平滑滚动 随便写了个DOM,没有美观性,见谅 原理: 1.定义两组ul列表放图,第一个ul放5张图,第二个ul为空 2.为什么要用两个ul?因为要用到jQuery的克隆方法clon ...

  2. 修改myEclipse2014web项目名称

    重命名项目名称后 右键点击你的项目,然后选择属性---->然后点击myeclipse—>Project Facets—> web 选项,修改web context-root名称为你要 ...

  3. GridView行中按钮的使用

    转载自:http://blog.csdn.net/hongdi/article/details/6455947 GridView行中按钮的使用 在web项目的过程中,特别是开发ASP.NET应用程序, ...

  4. python习题-用交集方式产生随机密码

    # 1.写一个产生密码的程序,# 输入次数,输入多少次就产生多少条数据,# 要求密码必须包含大写字母.小写字母和数字,长度8位,不能重复 import string ,random num=input ...

  5. Linux-awk command

    简介 awk是一个强大的文本分析工具,相对于grep的查找,sed的编辑,awk在其对数据分析并生成报告时,显得尤为强大.简单来说awk就是把文件逐行的读入,以空格为默认分隔符将每行切片,切开的部分再 ...

  6. codeforces 628C C. Bear and String Distance

    C. Bear and String Distance time limit per test 1 second memory limit per test 256 megabytes input s ...

  7. 超链接向servlet传参数

    超链接传参数方式如下: <a href=xxxServlet?flag=1  target=“XX”></a> 注意:target=“XX”是用来指定在什么窗体打开.xx为该窗 ...

  8. C++ 0X 新特性实例(比较常用的) (转)

    转自:http://www.cnblogs.com/mrblue/p/3141456.html //array #include <array> void Foo1() { array&l ...

  9. Gym - 100851J: Jump(交互+构造+(大胆瞎搞)))

    题意:给定长度为N的01串,现在让你猜这个串,猜的次数要不超过N+500次. 每次你猜一个串,系统会返回N/2,或N,或0.当且当有N/2个位置猜对,N个位置猜对,其他. 思路:因为信息不多,没有关联 ...

  10. 2017-2018-1 20179215《Linux内核原理与分析》第二周作业

    20179215<Linux内核原理与分析>第二周作业 这一周主要了解了计算机是如何工作的,包括现在存储程序计算机的工作模型.X86汇编指令包括几种内存地址的寻址方式和push.pop.c ...