[转帖] Linux文本命令技巧(下)

https://www.cnblogs.com/codelogs/p/16060108.html

简介#

前一篇介绍了Linux中一些基本的文本命令与使用技巧，但是结合场景过少，本篇结合工作中一些常见的场景介绍一些技巧。

数据提取#

数据提取在文本处理中是常见，提取单个值可以使用grep -o功能，如下：

# 如下ifconfig的输出，目标是提取inet后面的ip

$ ifconfig

eth0: flags=4163<UP,BROADCAST,RUNNING,MULTICAST>  mtu 1500

        inet 172.22.82.18  netmask 255.255.240.0  broadcast 172.22.95.255

        inet6 fe80::215:5dff:fec7:b486  prefixlen 64  scopeid 0x20<link>

        ether 00:15:5d:c7:b4:86  txqueuelen 1000  (Ethernet)

        RX packets 130047  bytes 83292033 (83.2 MB)

        RX errors 0  dropped 0  overruns 0  frame 0

        TX packets 72272  bytes 7117481 (7.1 MB)

        TX errors 0  dropped 0 overruns 0  carrier 0  collisions 0

lo: flags=73<UP,LOOPBACK,RUNNING>  mtu 65536

        inet 127.0.0.1  netmask 255.0.0.0

        inet6 ::1  prefixlen 128  scopeid 0x10<host>

        loop  txqueuelen 1000  (Local Loopback)

        RX packets 0  bytes 0 (0.0 B)

        RX errors 0  dropped 0  overruns 0  frame 0

        TX packets 0  bytes 0 (0.0 B)

        TX errors 0  dropped 0 overruns 0  carrier 0  collisions 0

# 通过-o可以仅输出匹配的部分，而不是匹配的行

$ ifconfig|grep -oP 'inet \w+.\w+.\w+.\w+'

inet 172.22.82.18

inet 127.0.0.1

# 通过添加\K，能够指定只输出\K后面的部分，而不是匹配部分

$ ifconfig|grep -oP 'inet \K\w+.\w+.\w+.\w+'

172.22.82.18

127.0.0.1

这样虽然达到了提取单个值的效果，但如果我们需要同时提取ip与netmask呢？仅通过grep就不那么容易实现了，如下：

# \K的效果，并没有只提取ip与netmask

$ ifconfig|grep -oP 'inet \K\w+.\w+.\w+.\w+  netmask \w+.\w+.\w+.\w+'

172.22.82.18  netmask 255.255.240.0

127.0.0.1  netmask 255.0.0.0

# 这里最直接的方法，是使用pcre2grep，它提供了捕获组的功能

$ ifconfig|pcre2grep -O '$1 $2' 'inet (\w+.\w+.\w+.\w+)  netmask (\w+.\w+.\w+.\w+)'

172.22.82.18 255.255.240.0

127.0.0.1 255.0.0.0

# 也可以使用sed、awk来实现

$ ifconfig|sed -nE 's/.*inet (\w+.\w+.\w+.\w+)  netmask (\w+.\w+.\w+.\w+).*/\1 \2/p'

172.22.82.18 255.255.240.0

127.0.0.1 255.0.0.0

$ ifconfig|awk 'match($0,/inet (\w+.\w+.\w+.\w+)/, a) && match($0,/netmask (\w+.\w+.\w+.\w+)/,b){print a[1],b[1]}'

172.22.82.18 255.255.240.0

127.0.0.1 255.0.0.0

# 通过shell的BASH_REMATCH也可以，这种相当于写脚本了，注意：BASH_REMATCH不支持\w，特殊字符需要用\转义

$ ifconfig|while read line;do [[ "$line" =~ inet\ ([0-9]+.[0-9]+.[0-9]+.[0-9]+)\ \ netmask\ ([0-9]+.[0-9]+.[0-9]+.[0-9]+) ]] && echo ${BASH_REMATCH[1]} ${BASH_REMATCH[2]}; done

172.22.82.18 255.255.240.0

127.0.0.1 255.0.0.0

最后一列带分隔符问题#

有些时候，文本的最后一列会包含分隔符，这种情况会使得cut、awk之类的命令处理起来很困难，比如ps -ef的输出：

# ps -f输出中的CMD字段值本身带有空格

$ ps -f

UID        PID  PPID  C STIME TTY          TIME CMD

root      2282  2281  0 Jan21 pts/1    00:00:00 /bin/bash -l -i -c . /mnt/c/Users/root/AppData/Local/Temp/Mxt123/tmp/MOBASC~2.SH;bash -i

root      2295  2282  0 Jan21 pts/1    00:00:04 bash -i

root     18166  2295  0 12:02 pts/1    00:00:00 ps -f

# 直接用awk来提取PID、CMD列，会发现CMD列丢失了一部分

$ ps -f|awk '{print $2,$8}'

PID CMD

2282 /bin/bash

2295 bash

18177 ps

18178 awk

# 办法1，使用split函数，然后定义一个jointon函数，将分拆的CMD列拼接还原

$ ps -ef|awk 'function jointon(f,s,n){for(i=n+1;i<=length(f);i++){f[n]=f[n] s[i-1] f[i]};return 1}

        split($0,f,/\s+/,s) && jointon(f,s,8){print f[2],f[8]}'

PID CMD

2282 /bin/bash -l -i -c . /mnt/c/Users/root/AppData/Local/Temp/Mxt123/tmp/MOBASC~2.SH;bash -i

2295 bash -i

18235 ps -f

# 办法2，将CMD列中的空格替换为特殊字符，之后再替换回来

$ ps -f|sed -E 's/\s+/-_-/8g'|awk '{print $2,$8}'|sed -E 's/-_-/ /g'

PID CMD

2282 /bin/bash -l -i -c . /mnt/c/Users/root/AppData/Local/Temp/Mxt123/tmp/MOBASC~2.SH;bash -i

2295 bash -i

18221 ps -f

# 办法3，从CMD前将一行切成2行，并添加一个空行便于awk按段划分记录

$ ps -f|sed -E 's/\s+/\n/7;a\\n'

UID        PID  PPID  C STIME TTY          TIME

CMD

root      2282  2281  0 Jan21 pts/1    00:00:00

/bin/bash -l -i -c . /mnt/c/Users/root/AppData/Local/Temp/Mxt123/tmp/MOBASC~2.SH;bash -i

root      2295  2282  0 Jan21 pts/1    00:00:04

bash -i

root     18254  2295  0 12:15 pts/1    00:00:00

ps -f

$ ps -f|sed -E 's/\s+/\n/7;a\\n'|awk -F'\n' -v RS='' 'split($1,a,/\s+/){print a[2],$2}'

PID CMD

2282 /bin/bash -l -i -c . /mnt/c/Users/root/AppData/Local/Temp/Mxt123/tmp/MOBASC~2.SH;bash -i

2295 bash -i

18295 ps -f

字符串连接#

将一行一行的数据，用某个字符拼接成一行，这个也非常有用，如下：

# 用paste是最简单的办法

$ seq 9|paste -s -d,

1,2,3,4,5,6,7,8,9

# 用tr将换行符替换为,也可以

$ seq 9|tr '\n' ','

1,2,3,4,5,6,7,8,9,

# xargs配合printf也可以，但注意xargs有时会将"抹掉，这时可加上-d'\n'解决

$ seq 9|xargs printf "%s,"

1,2,3,4,5,6,7,8,9,

# sed将换行符替换为,也可以，不过这里需要使用-z选项将所有行读取进来，不然sed是一行一行处理的

$ seq 9|sed -z 's/\n\b/,/g'

1,2,3,4,5,6,7,8,9

# awk当然也可以

$ seq 9|awk 'NR>1{printf ","}{printf $0}'

1,2,3,4,5,6,7,8,9

$ seq 9|awk -v RS='^$' '{gsub(/\n/, ",", $0);print $0}'

1,2,3,4,5,6,7,8,9,

数据变换#

将数据做简单的变换也是很常用的，什么是变换看看下面的例子就知道了：

# 用sed直接替换

$ seq 5|sed -E 's/.+/{"orderId":"&"}/'

{"orderId":"1"}

{"orderId":"2"}

{"orderId":"3"}

{"orderId":"4"}

{"orderId":"5"}

# 用awk当然也可以

$ seq 5|awk -v f='{"orderId":"%s"}\n' '{printf f,$0}'

{"orderId":"1"}

{"orderId":"2"}

{"orderId":"3"}

{"orderId":"4"}

{"orderId":"5"}

# xargs配合printf也行

$ seq 5|xargs printf '{"orderId":"%s"}\n'

{"orderId":"1"}

{"orderId":"2"}

{"orderId":"3"}

{"orderId":"4"}

{"orderId":"5"}

上面都是单行变换，有时我们还需要分组，比如每3行分一组，如下：

# 分组的话，这里最简单就是用paste

# 每3个一组，就用3个-

$ seq 8|paste -d, - - -

1,2,3

4,5,6

7,8,

# 同样使用paste分组，这里- - -，是用yes加head生成的，不然如果1000个分一组，难道还手写1000个-

$ seq 8|paste -d, $(yes -|head -n3)

1,2,3

4,5,6

7,8,

# 还是paste分组，不过分隔符指定多个，循环使用

$ seq 8|paste -sd "$(yes ,|head -n2|tr -d '\n')\n"

1,2,3

4,5,6

7,8

# 用parallel加paste也很简单，这里parallel将每3行输入到一个paste命令里面去

$ seq 8|parallel --pipe -N3 paste -d, -s

1,2,3

4,5,6

7,8

# xargs配合printf

$ seq 8|xargs -L3 bash -c 'printf "$@" && echo' - '%s,'

1,2,3,

4,5,6,

7,8,

# xargs配合IFS

$ seq 8|xargs -L3 bash -c 'IFS=,; echo "$*"' -

1,2,3

4,5,6

7,8

# sed也可以，用到了sed的分支功能，sed的一种高级用法

# :a表示一个标签，N表示将下一行也读取进来，而ba表示回到这个标签再次执行，所以0~3!{$!ba}表示读3行或读到最后一行

# s/\n/,/g替换换行为逗号，所以每读到的3行文本，就变成了逗号连接的3列

$ seq 8|sed ':a;N;0~3!{$!ba};s/\n/,/g'

1,2,3

4,5,6

7,8

# awk当然也可以

$ seq 8|awk 'NR%3!=1{s=s","$0} NR%3==1{if(s)print s;s=$0} END{print s}'

1,2,3

4,5,6

7,8

然后将上面两种方法一起使用，就可以达到先变换再分组的效果了，如下：

$ seq 8|sed -E 's/.+/{"orderId":"&"}/'|paste -d, $(yes -|head -n3)

{"orderId":"1"},{"orderId":"2"},{"orderId":"3"}

{"orderId":"4"},{"orderId":"5"},{"orderId":"6"}

{"orderId":"7"},{"orderId":"8"},

json数据变换
像这种分隔形式的数据变json，json变分隔形式的数据，使用jq也可以实现，因为jq就是专门处理json数据的啊!

# 比如这种数据

$ cat person.txt

1,zhangsan

2,lisi

3,wangwu

# 用jq将其变换为json，splits可以写正则

$ cat person.txt |jq -R '[splits(",")] as [$f1,$f2]|{id: $f1, name: $f2}' -c

{"id":"1","name":"zhangsan"}

{"id":"2","name":"lisi"}

{"id":"3","name":"wangwu"}

# 当然前面说的变换方法也是可以的(注：结果同时写入到了person.json)

$ cat person.txt |sed -E 's/(\w+),(\w+)/{"id":"\1","name":"\2"}/' |tee person.json

{"id":"1","name":"zhangsan"}

{"id":"2","name":"lisi"}

{"id":"3","name":"wangwu"}

# 将json变换为,分隔形式

$ cat person.json |jq ' "\(.id),\(.name)" ' -r

1,zhangsan

2,lisi

3,wangwu

# 当然，使用前面的数据提取过程也可以实现

$ cat person.json |awk 'match($0,/"id":"(\w+)"/,a) && match($0,/"name":"(\w+)"/,b){print a[1] "," b[1]}'

1,zhangsan

2,lisi

3,wangwu

# 但对于多层级的json，awk也无能为力了，只能使用jq了，如下：

$ cat person.json

{"id":"1","name":"zhangsan","score":[{"yuwen":56},{"shuxue":76}]}

{"id":"2","name":"lisi","score":[{"yuwen":76},{"shuxue":83}]}

{"id":"3","name":"wangwu","score":[{"yuwen":92},{"shuxue":89}]}

$ cat person.json|jq ' "\(.id),\(.name),\([.score[]|values[]]|join(":"))" ' -r

1,zhangsan,56:76

2,lisi,76:83

3,wangwu,92:89

jq本身也是个很强大的命令，具体可以man jq查看。

驼峰转下划线#

驼峰与下划线字段的互转，如下：

# 驼峰转下划线

$ echo "userId"|sed -E 's/([A-Z]+)/_\l\1/g'

user_id

# 下划线转驼峰

$ echo "user_id"|sed -E 's/_(.)/\u\1/g'

userId

超大日志文件搜索#

很多时候我们需要搜索一小段时间范围内日志，比如查看这段时间内是否有异常产生，从而导致某些接口超时，用grep、sed、awk命令都很容易处理这类事情。
比如只关注2021-01-22 15:00:10到2021-01-22 15:03:10的日志。

# grep通过正则可以实现范围型的过滤，但写起来有点费劲

grep -E '2021-01-22 15:(00:(1[0-9]|[2-9][0-9])|0[12]:[0-9][0-9]|03:(0[0-9]|10))' app.log

# sed、awk本身支持范围型查找，但必须日志中包含这两个日期

sed -n '/2021-01-22 15:00:10/,/2021-01-22 15:03:10/ p'

# awk改造一下，这样完善一些，在awk那篇介绍过

cat app.log|awk 'match($0,/^([0-9]{4}-[0-9]{2}-[0-9]{2} [0-9]{2}:[0-9]{2}:[0-9]{2})/,a){if(a[1]>="2021-01-22 15:00:10")print $0; if(a[1]>"2021-01-22 15:03:10")exit}'

但如果日志文件大小超过10G，上面那些方法都会执行得很慢，因为它们会将整个文件的内容都遍历一遍。
但其实我们只需要一小段时间范围的日志，可不可以只读取日志文件中那一小段范围的内容呢？
通过dd命令是可以的，dd命令可以做到从文件指定的偏移量开始读取，利用这个特性，可以写个脚本实现快速读取指定时间范围日志，如下：

先读开始位置第一行，看看时间是多少，并记下文件偏移量。
再读100M位置后的第一行，看看时间是多少，并记下文件偏移量。
再读200M位置后的第一行，看看时间是多少，并记下文件偏移量。
一直循环下去，直到文件结束。
然后看看我们需要的时间范围，在哪个100M内，使用dd从那个偏移量开始读100M，再通过上面介绍的grep、sed、awk过滤即可。

function every100m(){

    let i=0;

    let l=$(du -b $1|cut -f1);

    while [[ $i -lt $l ]];do

        time=$(dd if=$1 iflag=skip_bytes,count_bytes skip=$i count=10K 2>/dev/null|grep -m1 -oP '\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2}');

        printf "%12s\t%s\n" $i "$time"

        let i=i+104857600

    done

}

# 这是一个510M的日志文件

$ every100m app.log

           0    2021-01-22 11:43:39

   104857600    2021-01-22 14:00:52

   209715200    2021-01-22 16:00:04

   314572800    2021-01-22 18:00:10

   419430400    2021-01-22 20:33:52

   524288000    2021-01-22 23:30:10

# 可以发现2021-01-22 15:00:10到2021-01-22 15:03:10的日志，都在104857600这个偏移量后的100M内

# 统计了一下，这个时间段有8587条日志，几乎秒出

$ dd if=app.log iflag=skip_bytes,count_bytes skip=104857600 count=100M 2>/dev/null|sed -n '/2021-01-22 15:00:10/,/2021-01-22 15:03:10/ p'|wc -l

8587

大文件拆分#

split命令，用于将一个大文件拆分为多个小文件，如下：
将2.7G的日志，按一个500M大小，拆分为多个文件

$ ll

total 2.7G

-rw-r--r-- 1 work work 2.7G 2022-12-03 15:23:51 app.log

# 拆分文件，-b指定拆分大小，split_applog_表示拆分文件名的前缀

$ split -b 500m app.log split_applog_

$ ll

total 5.3G

-rw-r--r-- 1 work work 2.7G 2022-12-03 15:23:51 app.log

-rw-r--r-- 1 work work 500M 2022-12-03 15:29:28 split_applog_aa

-rw-r--r-- 1 work work 500M 2022-12-03 15:29:29 split_applog_ab

-rw-r--r-- 1 work work 500M 2022-12-03 15:29:30 split_applog_ac

-rw-r--r-- 1 work work 500M 2022-12-03 15:29:32 split_applog_ad

-rw-r--r-- 1 work work 500M 2022-12-03 15:29:33 split_applog_ae

-rw-r--r-- 1 work work 191M 2022-12-03 15:29:35 split_applog_af

对于日志文件拆分，一般不希望将整行拆分到不同文件中，这时可以使用-l选项，如下：

# 每30w行拆一个日志文件

$ split -l 30000 app.log split_applog_

# 使用csplit也可以

$ csplit -k app.log 300000 {*} -f split_applog_

标准输出拆分
在启动程序时，我们经常会需要将标准输出与标准错误重定向到一个日志文件中，如下：

java -jar app.jar > app_stdout.log

但由于这种后台程序，运行时间可能非常长，因此app_stdout.log有可能会变得非常大，我们想每小时保存一个日志文件，怎么办呢？

按行数拆分
可以使用split来实现，如下：

java -jar app.jar > >(split -l 300000 - app_stdout_ --additional-suffix=.log)

这里用到了bash的进程替换语法>(command)，重定向的标准输出日志，会被split写到拆分的文件中，若想按大小拆分的话，使用split -b即可。

按时间拆分
比如每小时一个文件，可以使用timeout和cat命令实现，如下：

java -jar app.jar > >(while ((++n));do timeout 1h cat > app_stdout_$(date +%F-%H)_$n.log;[[ $? -ne 124 ]] && break;done)

重定向的标准输出日志，会被cat写到拆分的日志文件中，但timeout让cat每次只写1个小时。

csvkit#

对于csv文件的分析，可以使用csvkit这个软件包，基于python实现的，提供了很多实用的功能，不多说，体会一下：

# 安装csvkit

$ sudo pip install csvkit

# 将excel文件变成csv

$ in2csv data.xls > data.csv

# 将json文件变成csv

$ in2csv data.json > data.csv

# 将csv文件变成json

$ csvjson -y0 -I data.csv > data.json

# csv分隔符变成tab键，然后给awk处理，因为字段值本身太容易包含逗号了

$ csvformat data.csv -T|awk -F $'\t' 'NR>1{print $3}'

# mysql命令查询内容导出为csv

$ mysql -e 'select * from user'|csvformat -t > user.csv

# 直接使用SQL分析csv中的数据，这真是太实用了

$ csvsql -y0 -I --query "select a.id,a.name,b.age from name a join age b on a.id=b.id" name.csv age.csv| csvlook | less -S

pup#

对于html类型的数据，可以使用pup这个命令来解析提取，有了这个命令，就可以用脚本来实现简单的爬虫了，如下：

# 安装pup，go开发的

$ go get github.com/ericchiang/pup

# 获取title标签的文本内容，使用的是css selector语法，详细可以去github看下

$ curl -s www.baidu.com|pup 'title text{}'

百度一下，你就知道

# 获取所有body标签下所有a标签的链接属性值

$ curl -s www.baidu.com|pup 'body a attr{href}'

http://news.baidu.com

http://www.hao123.com

http://map.baidu.com

http://v.baidu.com

http://tieba.baidu.com

# 同样的，返回json格式的数据

$ curl -s www.baidu.com|pup 'body a json{}'

[

 {

  "class": "mnav",

  "href": "http://news.baidu.com",

  "name": "tj_trnews",

  "tag": "a",

  "text": "新闻"

 },

 {

  "class": "mnav",

  "href": "http://www.hao123.com",

  "name": "tj_trhao123",

  "tag": "a",

  "text": "hao123"

 }

]

总结#

上面这些Linux文本处理技巧，都是我在工作过程中，琢磨好久一个个想出来的，而且它们的实现思路和普通编程思路很不一样，所以学习这些命令对于扩展编程思路也会有帮助。
如果你也对这些命令非常感兴趣，一定要亲自试试这些命令，并将它们用于实际工作场景中。

往期内容#

Linux文本命令技巧(上)
原来awk真是神器啊
 提高工作效率，jq命令来帮你
 不容易自己琢磨出来的正则表达式用法
 好用的parallel命令
 常用网络命令总结