Linux文本处理三剑客(grep,sed,awk)

grep，擅长单纯的查找或匹配文本内容
sed，更适合编辑、处理匹配到的文本内容
awk，更适合格式化文本内容，对文本进行复杂处理

先了解数据格式，再编写脚本处理数据。

快捷键

• Ctrl+C 中断了进程，返回到终端界面。
• Ctrl+Z 暂停了进程，返回到终端界面
• ctrl+a 移动到命令行首
• ctrl+e 移动到命令行尾
• ctrl+u 清空光标前的内容
• ctrl+k 清空光标后的内容
• ctrl+l 清空屏幕终端内容，同clear

tab补齐，双击tab列出候选项。

Shell通配符

Shell通配符

*通配符

*通配符匹配任意一个或多个字符

? 通配符

"?"通配符匹配一个任意字符(相比*存在数量限制)

[] 通配符

[list] 匹配list中任意单个字符

正则表达式

正则表达式是以行为单位，一次处理一行。
linux中正则表达式仅受三剑客（sed,awk,grep）支持，其他命令无法使用（仅能使用通配符*）。

操作内容用正则，操作文件名用通配符

正则表达式分类
基本正则表达式

^$.[]*

• ^word： 搜索以word开头的。
• word$ 搜索以word结尾的。
• . 点 表示任意一个字符
• \ 保持原样输出
  

扩展正则表达式
扩展正则必须用grep -E才能生效
grep不加参数，得在特殊字符前面加""反斜杠，识别为正则。

(){}?+|等字符

grep（文本过滤）

注意：grep是模糊过滤（包含则通过），实际上若要准确识别还要搭配awk的‘{if判断是否相等语句}‘进行精准过滤。
(查询文本)grep xxx：从stdin中读入若干行数据，如果某行中包含xxx，则输出该行（逐行输出）；否则忽略该行。
可以配合ps，ls等stdout命令食用：查询进程/目录中是否存在对应进程和文件。

grep配合sort可以有序输出（默认按照第一列的ASCII 码次序排序）
grep xxx | sort

grep详解
Linux命令 zgrep
使用zgrep命令可以在压缩文件中调用grep按正则表达式来搜索
zgrep -hw

grep xxx ./*.filetype:将path下的全部filetype文件内容进行查询匹配逐行输出=》文件名：匹配列

sed（文本编辑）

Linux中sed详解

替换文本内容(sed -i “s/原内容/替换内容/g” file.filetype)

常见用法：
首先写一个tmpl模板文件然后写一个脚本基于tmpl模板文件替换占位符传参。

sh 脚本.sh 变量参数参数

sed -i /\${tmpl参数占位符} /${变量参数} tmpl复制份

替换特殊字符（利用反斜杠）
反斜杠用法

awk（文本统计）

awk中支持C语法, 可以有分支条件判断, 循环语句等, 相当与一个小型编程语言.

• 脚本命令必须用’'括起来，当匹配规则为字符串和正则表达式的时候需要使用”/…/“符号括起来；而执行命令需要使用{}括起来。

• 对awk而言，正则表达式是置于两个正斜杠之间、由字符组成的模式。
  正则表达式是以/作为开始和结束的标记，表达式语法在两个/中间包裹。

• $n~/…/表示某字段匹配该正则表达式：返回true/false

• awk默认是按行读取并处理文本，最终按行输出。

• awk实现统计功能都是借助awk数组索引下标可为字符串功能进行标识定位。

awk文本操作( awk [选项] ‘{脚本命令}’ 文件名)

Linux awk命令详解
linux之awk超详解
linux awk数组操作详细介绍

cat获得文件内容，grep逐行分析提取文件内容并输出，awk解析操作需求内容的每一行。
cat | grep | awk

awk将"作为文本分隔符，然后提取第四列作为sum数组的定位下标并将其对应的数组元素值加一，处理完全部内容后，END最后用for循环逐行输出数组值（一次输出占一行）。

单双引号可以相互包容并原样显示。
注意：实际应用时单包双/双包单，不可单包单，双包双，无意义。

无序:cat XXX.filetype | grep "yyy" | awk -F'"' '{sum[$4]+=1} END {for(k in sum) print k ":" sum[k]}'
有序:（已知：k<=100）：cat XXX.filetype | grep "yyy" | awk -F'"' '{sum[$4]+=1} END {for(k=1;k<=100;k++) if (sum[k]>0) print k ":" sum[k]}'

• -F“”单或双引号中指定分隔符，默认为空格，当分隔符为特殊符号时需要用转义字符。
• awk 中的数组不必提前声明，也不必声明大小。数组元素用 0 或空串来初始化。
• $n 指定分隔的第n个字段，如$1、$3分别表示第1、第3列.$0代表输入整行内容。
• 若awk的{}中要用定义的变量则’{“$变量“}‘或’{“‘$变量’“}’
• BEGIN{脚本命令}：输入开始前执行操作，END{脚本命令}：输入结束后执行操作，其余的{脚本命令}为处理每行数据的操作。
• BEGIN和END必须为大写。
• 一个{}代表一个代码块(作用范围)，在{}中实现功能。
• ‘true/false{代码块}’:是/否运行代码块。代码块前可加if判断或者去掉if()只留下判断语句决定是否运行代码块。
• for{}限制for循环的作用范围，print{}限制print输出范围。
• awk中NF，NR的含义
  awk中NF和NR的意义，其实你已经知道NF和NR的意义了，NF代表的是一个文本文件中一行（一条记录）中的字段个数，NR代表的是这个文本文件的行数（记录数）。在编程时特别是在数据处理时经常用到。建议你看看有关awk编程方面的资料，这可是一个功能非常强大的工具。
  for(i=1;i<=NF;i++)
  

awk -F, '{SUM['$number']=SUM['$number']+1}  END {for (i in SUM) print i,SUM[i]} '

• for…in 输出，因为数组是关联数组，默认是无序的。所以通过for…in 得到是无序的数组。如果需要得到有序数组，需要通过下标获得(注意：数组下标是从1开始，与c数组不一样)。
  无序：for(k in arry),有序：for(k=1;k<=len;k++)
  print k : arry[k]

注意（万物皆字符串，一劳永逸）

awk当中的数组是关联数组，它的索引全是字符串,即便指定为数值也会转化为字符串：arr[1]==arr[“1”]

若数组内使用自定义变量则AWK的数组索引下标直接用"‘’"来声明字符串变量，防止变量为字符串非数值作为下标导致出错。
未使用双引号则默认为数值，反之可为字符串类型（双引号需要在变量最外侧标明）。

'{SUM["'$number'"]=SUM["'$number'"]+$4}'

若报错则说明检索的文本没有对应属性导致SUM[]中下标为空。

awk使用的查漏补缺

awk的数组下标可为拼接字符串（类Map）

echo "123,456,789" | awk -F, '{sum[$1"~"$2"~"$3]++}END{for(i in sum)print i,sum[i]}'

插入新字段和格式化空白

awk 命令默认分隔符为空格或制表符。
插入拼接新字段（直接拼接）

echo "a b c" | awk '{$2=$2" 666" ; print}'

格式化空白(牵一发动全身)
默认格式化后仅字段之间仅保留一个空格。
移除每行的前缀，后缀空白，并将各部分左对齐。

echo "a                          b c" | awk '{$2=$2 ; print}'

可以设置字段间保留一个制表符。

从ifconfig中筛选IPV4字段（读取某行中某字段）

正则表达式是以/作为开始和结束的标记，表达式语法在两个/中间包裹
对awk而言，正则表达式是置于两个正斜杠之间、由字符组成的模式。

awk:取包含inet的行并且!($2匹配/^127/)的$2.

‘true/false{代码块}’:是/否运行代码块。代码块前可加if判断或者去掉if()只留下判断语句决定是否运行代码块。

注意：awk '/xxxyyy/{print}'等效于grep xxxyyy

ifconfig | awk '/inet / && !($2~/^127/){print $2}'

awk按段读取

ifconfig | awk 'BEGIN{RS=""}!/^lo/{print$6}'
等价
ifconfig | awk 'BEGIN{RS=""}NR==1{print$6}'

读取配置文件中“某段”（读取某段）

此处也可以在命令行执行。

index($0,"[xxx]"){
    print
    while( (getline var) > 0 ){
            if(var ~ /\[.*\]/){
                    exit
                }
                print var
        }
    }

根据字段进行‘行’去重

注意：print==print$0
所有文本操作命令都要在‘{代码块}’中使用

‘true/false{代码块}’:是/否运行代码块。代码块前可加if判断或者去掉if()只留下判断语句决定是否运行代码块。

[xxx]
6?6?6?6?6?6
8?8?8?8?8?8?8?8
9?9?9?9?9?9?9?9?9
[yyy]
9?9?9?9?9?9?9?9?9
8?8?8?8?8?8?8?8
6?6?6?6?6?6

awk -F "?" '!arr[$2]++{print}' test666.txt
awk -F "?" '{arr[$2]++;if(arr[$2]==1)print}' test666.txt

awk数组做次数统计(数组索引去重统计)

awk '{a[$0]++} END{for(i in a) print i,a[i]}' test666.txt

awk数组排序（sort或PROCINFO）

sort命令
Linux sort命令用于将文本文件内容加以排序。sort可针对文本文件的内容，以行为单位来排序。shell中sort命令有3种执行模式，分别是排序文本，检查文件是否已经排序，合并文件。

数组索引无序输出变为按照数组索引降序输出。
PROCINFO[“sorted_in”]=“@val_num_desc”;

awk '{a[$1]++}END{PROCINFO["sorted_in"]="@val_num_desc";for(i in a)print i,a[i]}' test666.txt
只输出前十个
awk '{a[$1]++}END{PROCINFO["sorted_in"]="@val_num_desc";for(i in a){if(cnt++==10){exit}print i,a[i]}}' test666.txt

统计各key下独立value:IP个数（键去重并统计值个数）(多字段排重)

key:value
统计相同key下不同value的个数。
点睛之笔：awk数组索引下标排重法（awk自带以逗号为间隔的索引下标表示法）
awk当中的数组是关联数组，它的索引全是字符串,即便指定为数值也会转化为字符串：arr[1]==arr[“1”]

awk -F"|" '!arr[$1,$2]++{cnt[$1]++}END{for(i in cnt)print i,cnt[i]}' test888.txt

处理字段中包含了字段分割符（逗号）的数据

BEGIN{FPAT=“[^,]+|\”.*\“”}

awk 'BEGIN{FPAT="[^,]+|\".*\""} {print $1}'

截取字段中指定区间的字符（substr($n,start,length)）

start为$n字段的起始索引（从一开始）,length为读取长度。

• substr($n,start,length)//start开始读取length个字符。
• substr($n,start)//start开始读取到最后。

awk -F"," '{print substr($2,1,3)}' test999.txt

替换某字段为其他字段（gsub(/待替换原内容/,“替换内容”)）

在awk语句中，可以使用sub或者gsub进行文本替换，其中sub只是对第一处匹配进行替换，而gsub能够对所有匹配进行替换。
实例演示
源数据格式

1:2:3:4
a: b:c:d

#将每行第一个:替换成-

printf '1:2:3:4\na:b:c:d\n' | awk '{sub(/:/,"-")}1'

1-2:3:4
a-b:c:d

#将每行的:替换成-

printf '1:2:3:4\na:b:c:d\n' | awk '{gsub(/:/,"-")}1'

1-2-3-4
a-b-c-d

实例：去掉空格

awk '{gsub(/ /,"")}1'

注意，这行代码末尾有个‘1’，这个数的作用是表示打印，换成其他非零数字都可以，等同于

awk '{gsub(/ /,"");print $0}'

BUG之旅

涉及通配符统计数据时，重复统计问题（表现：统计量>正常量）

当涉及*通配符的统计数据出问题时，一般是通配符导致的重复统计问题，需要精确调整下通配符。