前言

linux 有很多工具可以做文本处理，例如：sort, cut, split, join, paste, comm, uniq, column, rev, tac, tr, nl, pr, head, tail.....，学习 linux 文本处理的懒惰方式（不是最好的方法）可能是：只学习grep，sed和awk。 

使用这三个工具，你可以解决近 99％ linux 系统的文本处理问题，而不需要记住上面不同的命令和参数。

而且，如果你已经学会并使用了三者，你就会知道其中的差异。实际上，这里的差异意味着哪个工具擅长解决什么样的问题。

一种更懒惰的方式可能是学习脚本语言（python，perl或ruby）并使用它进行每个文本处理。

概述

awk、grep、sed 是 linux 操作文本的三大利器，也是必须掌握的 linux 命令之一。

三者的功能都是处理文本，但侧重点各不相同，其中属 awk 功能最强大，但也最复杂。grep 更适合单纯的查找或匹配文本，sed 更适合编辑匹配到的文本，awk 更适合格式化文本，对文本进行较复杂格式处理。

简单概括：

• grep：数据查找定位

• awk：数据切片

• sed：数据修改

grep = global regular expression print

用最简单术语来说，grep(全局正则表达式打印)--命令用于查找文件里符合条件的字符串。 从文件的第一行开始，grep 将一行复制到 buffer 中，将其与搜索字符串进行比较，如果比较通过，则将该行打印到屏幕上。grep将重复这个过程，直到文件搜索所有行。

 注意：这里没有进程执行 grep 存储行、更改行或仅搜索部分行。

示例数据文件

请将以下数据剪切粘贴到一个名为 “sampler.log” 的文件中:

1. boot

2. book

3. booze

4. machine

5. boots

6. bungie

7. bark

8. aardvark

9. broken$tuff

10. robots

一个简单例子

grep 最简单的例子是:

1. grep "boo" sampler.log

在本例中，grep 将遍历文件 “sampler.log” 的每一行，并打印出其中的每一行 包含单词“boo”:

1. boot

2. book

3. booze

4. boots

但是如果你操作的是大型文件，就会出现这种情况：如果这些行标识了文件中的哪一行，它们是什么，可能对你更有用，如果需要在编辑器中打开文件，那么可以更容易地跟踪特定字符串做一些改变。 这时候可以通过添加 -n 参数来实现:

1. grep -n "boo" sampler.log

这产生了一个更有用的结果，解释了哪些行与搜索字符串匹配:

1. 1:boot

2. 2:book

3. 3:booze

4. 5:boots

另一个有趣的参数是 -v，它会打印出相反的结果。换句话说，grep 将打印所有与搜索字符串不匹配的行，而不是打印与之匹配的行。 

在下列情况下，grep 将打印不包含字符串 “boo” 的每一行，并显示行号，如上一个例子所示

1. grep -vn "boo" sampler.log

2. 4:machine

3. 6:bungie

4. 7:bark

5. 8:aardvark

6. 9:broken$tuff

7. 10:robots

c 选项告诉 grep 抑制匹配行的打印，只显示匹配行的数量，匹配查询的行。 例如，下面将打印数字4，因为有4个在 sampler.log 中出现 “boo”。

1. grep -c "boo" sampler.log

2. 4

l 选项只打印查询中具有与搜索匹配行的文件的文件名字符串。 如果你想在多个文件中搜索相同的字符串，这将非常有用。像这样:

1. grep -l "boo" *

对于搜索非代码文件，一个更有用的选项是 -i，忽略大小写。这个选项将处理在匹配搜索字符串时，大小写相等。 在下面的例子中，即使搜索字符串是大写的，包含“boo”的行也会被打印出来。

1. grep -i "BOO" sampler.log

2. boot

3. book

4. booze

5. boots

x 选项只精确匹配。换句话说，以下命令搜索没有结果，因为没有一行只包含"boo"

1. grep -x "boo" sampler.log

最后，-A 允许你指定额外的上下文件行，这样就得到了搜索字符串额外行，例如

1. grep -A2 "mach" sampler.log

2. machine

3. boots

4. bungie

正则表达式

正则表达式是描述文本中复杂模式的一种紧凑方式。

有了 grep 你可以使用搜索模式( pattern ) 。其他工具使用正则表达式 (regexp) 以复杂的方式。而 grep 使用的普通字符串，实际上非常简单正则表达式。如果您使用通配符，如 ' * ' 或 ' ? '，比如列出文件名等，你可以使用 grep 使用基本的正则表达式进行搜索 

例如搜索文件以字母 e 结尾的行:

1. grep "e$" sampler.log

2. booze

3. machine

4. bungie

如果需要更广泛的正则表达式命令，则必须使用 grep-E。 

例如，正则表达式命令 ? 将匹配1或0次出现 之前的字符:

1. grep -E "boots?" sampler.log

2. boot

3. boots

你还可以使用 pipe(|) 结合多个搜索，它的意思是 “或者”，所以你可以这样做:

1. grep -E "boot|boots" sampler.log

2. boot

3. boots

特殊字符

如果你想搜索的是一个特殊字符，该怎么办?如果你想找到所有的直线，如果包含美元字符“$”，则不能执行 grep“$”a_file，因为 '$' 将被解释为正则表达式，相反，你将得到所有的行，其中有任何作为行结束，即所有行。 解决方案是 “转义” 符号，所以您将使用

1. grep '\$' sampler.log

2. broken$tuff

你还可以使用 “-F” 选项，它代表“固定字符串”或“快速”，因为它只搜索字符串，而不是正则表达式。

更多的 regexp 的例子

参考：http://gnosis.cx/publish/programming/regular_expressions.html

AWK

由 Aho，Weinberger 和 Kernighan 创建的文本模式扫描和处理语言。 

AWK非常复杂，所以这不是一个完整的指南，但应该给你一个知道什么 awk 可以做。它使用起来比较简单，强烈建议使用。

AWK 基础知识

awk 程序对输入文件的每一行进行操作。它可以有一个可选的 BEGIN{ } 部分在处理文件的任何内容之前执行的命令，然后主{ }部分运行在文件的每一行中，最后还有一个可选的END{ }部分操作将在后面执行文件读取完成:

1. BEGIN { …. initialization awk commands …}

2. { …. awk commands for each line of the file…}

3. END { …. finalization awk commands …}

对于输入文件的每一行，它会查看是否有任何模式匹配指令，在这种情况下它仅在与该模式匹配的行上运行，否则它在所有行上运行。 这些 'pattern-matching' 命令可以包含与 grep 一样的正则表达式。 

awk 命令可以做一些非常复杂的数学和字符串操作，awk也支持关联阵列。 AWK 将每条线视为由多个字段组成，每个字段由“间隔符”分隔。 默认情况下，这是一个或多个空格字符，因此行：

1. this is a line of text

包含6个字段。在 awk 中，第一个字段称为 $1，第二个字段称为 $2，等等，全部行称为 $0。 

字段分隔符由 awk 内部变量 FS 设置，因此如果您设置 FS= ": "则它将根据 ':' 的位置划分一行，这对于 /etc/passwd 之类的文件很有用，其他有用的内部变量是 NR，即当前记录号(即行号) NF是当前行中字段的数量。 

AWK 可以对任何文件进行操作，包括 std-in，在这种情况下，它通常与 '|' 命令一起使用，例如，结合 grep 或其他命令。 

例如，如果我列出当前目录中的所有文件

1. ls -l

2. 总用量 140

3. -rw-r--r-- 1 root root 55121 1月   3 17:03 combined_log_format.log

4. -rw-r--r-- 1 root root 80644 1月   3 17:03 combined_log_format_w_resp_time.log

5. -rw-r--r-- 1 root root    71 1月   3 17:55 sampler.log

` 我可以看到文件大小报告为3 列数据。如果我想知道它们的总大小，这个目录中的文件我可以做:

1. ls -l | awk 'BEGIN {sum=0} {sum=sum+$5} END {print sum}'

2. 135836

请注意，'print sum' 打印变量 sum 的值，因此如果 sum = 2 则 'print sum' 给出输出 '2' 而 'print $ sum' 将打印 '1' ，因为第二个字段包含值 '1' 。 

因此，会很简单编写一个可以计算平均值的和一列数字的标准偏差的 awk 命令 - 在主要内部积累 'sumx' 和 'sumx2' 部分，然后使用标准公式计算 END 部分的平均值和标准偏差。 

AWK 支持（'for' 和 'while'）循环和分支（使用 'if '）。 所以，如果你想修剪一个文件并且只在每个第 3 行操作，你可以这样做：

1. ls -l | awk '{for (i=1;i<3;i++) {getline}; print NR,$0}'

2. 3 -rw-r--r-- 1 root root 80644 1月   3 17:03 combined_log_format_w_resp_time.log

3. 4 -rw-r--r-- 1 root root    71 1月   3 17:55 sampler.log

for 循环使用 “getline” 命令遍历文件，并且每隔3次才打印一行。

注意，由于文件的行数是4，不能被3整除，所以最后一个命令提前完成，所以最后的 “print $0” 命令打印第4行，你可以看到我们也打印了行，使用 NR 变量输出行号。

AWK 模式匹配

AWK 是一种面向行的语言。首先是模式，然后是动作。 操作语句用{ and }括起来。模式可能缺失，或者动作可能缺失，但是，当然不是都。 如果缺少模式，则对每个输入记录执行操作。一个丢失的动作将打印整个记录。 

AWK 模式包括正则表达式(使用与“grep -E”相同的语法)和使用的组合特殊符号 “&&” 表示“逻辑AND ”，“||”表示“逻辑或”，“!” 的意思是“逻辑不”。 

你也可以做关系模式、模式组、范围等。

AWK 控制语句

1. if (condition) statement [ else statement ]

2. while (condition) statement

3. do statement while (condition)

4. for (expr1; expr2; expr3) statement

5. for (var in array) statement

6. break

7. continue

8. exit [ expression ]

AWK 输入/输出语句

注意：printf 命令允许你使用类似 C 的语法更密切地指定输出格式 例如，你可以指定给定宽度的整数，浮点数或字符串等。

AWK 数学函数

AWK 字符串函数

AWK 命令行和用法

你可以根据需要多次使用 ' -v ' 标志将变量传递给 awk 程序，例如

1. awk -v skip=3 '{for (i=1;i<skip;i++) {getline}; print $0}' sampler.log

2. booze

3. bungie

4. broken$tuff

你还可以使用编辑器编写 awk 程序，然后将其另存为脚本文件，例如：

1. $ cat awk_strip

2. #!/usr/bin/awk -f

3. #only print out every 3rd line of input file

4. BEGIN {skip=3}

5. {for (i=1;i<skip;i++)

6. {getline};

7. print $0}

然后可以将其用作新的附加命令

1. chmod u+x awk_strip

2. ./awk_strip sampler.dat

sed = stream editor

sed 对输入流（文件或来自管道的输入）执行基本文本转换单通过流，所以效率很高。 但是， sed 能够管道过滤文本，特别区别于其他类型的编辑器。

sed 基础

sed 可以在命令行或 shel l脚本中使用，以非交互方式编辑文件。 也许最有用的功能是对一个字符串进行 “搜索和替换” 到另一个字符串。 您可以将 sed 命令嵌入到使用 '-e' 选项调用 sed 的命令行中，或者将它们放在一个单独的文件中 'sed.in' 并使用 '-f sed.in' 选项调用 sed。 后一种选择是如果 sed 命令很复杂并涉及大量regexp，则最常用，例如: 

sed-e's/input/output/'sampler.log 

将从 sampler.log 回显到标准输出的每一行，改变每一行的 'input' 排成 'output'。 注意 sed 是面向行的，所以如果你想改变每一行的每一个事件，那么你需要让它成为一个 '贪婪' 的搜索和替换，如下所示：

1. sed -e 's/input/output/g' sampler.log

2. boot

3. book

4. booze

5. machine

6. boots

7. bungie

8. bark

9. aardvark

10. broken$tuff

11. robots

/.../ 中的表达式可以是文字字符串或正则表达式。 注意默认情况下，输出将写入 stdout。 你可以将其重定向到新文件，或者如果你愿意 编辑现有文件，你应该使用 '-i' 标志：

1. sed -e 's/input/output/' sampler.log  > new_file

2. sed -i -e 's/input/output/' sampler.log  

sed 和正则表达式

如果你希望在搜索命令中使用的某个字符是特殊符号，例如 '/'，该怎么办？（例如在文件名中）或 '*' 等？ 然后你必须像 grep（和awk）那样转义符号。 跟你说想要编辑shell脚本以引用 /usr/local/bin而不是 /bin，那么你可以这样做

1. sed -e 's/\/bin/\/usr\/local\/bin/' my_script > new_script

如果你想在搜索中使用通配符怎么办 - 如何编写输出字符串？ 你需要使用与找到的模式对应的特殊符号“＆”。 所以说你想要每行以你的文件中的数字开头，并用括号括起该数字：

1. sed -e 's/[0-9]*/(&)/'

其中 [0-9] 是所有个位数的 regexp 范围，而 '*' 是重复计数，表示任何数字的位数。 你还可以在 regexp 中使用位置指令，甚至可以将部分匹配结果保存在模式缓冲区，以便在其他地方重用。

其它 SED 命令

一般形式是

1. sed -e '/pattern/ command' sampler.log

其中 'pattern' 是正则表达式，'command' 可以是 's'= search＆replace，或 'p'= print，或 'd'= delete，或 'i'=insert，或 'a'=append 等。请注意，默认操作是打印所有不是无论如何匹配，所以如果你想抑制它，你需要使用 '-n' 标志调用 sed，然后你可以使用 'p' 命令来控制打印的内容。 所以，如果你想做一个所有的列表 你可以使用的子目录

1. ls -l | sed -n -e '/^d/ p'

因为长列表开始每行都带有 'd' 符号，如果它是一个目录，所以这只会打印出来那些以 'd' 符号开头的行。 同样，如果你想删除所有以评论符号 '＃' 开头的行，你可以使用

1. sed -e '/^#/ d' sampler.log

也可以使用范围表单

1. sed -e '1,100 command' sampler.log

在第1-100 行执行“命令”。你也可以用特殊的行号 $ 来表示“结束”文件。 因此，如果你想删除文件的前10行以外的所有行，您可以使用

1. sed -e '11,$ d' sampler.log

你还可以使用模式范围表单，其中第一个正则表达式定义范围的开始，以及第二站。 所以，例如，如果你想打印从 'boot' 到 'machine' 的所有行 你可以这样做：

1. sed -n -e '/boot$/,/mach/p' sampler.log

2. boot

3. book

4. booze

5. machine

然后只打印出（-n）regexp 给定的给定范围内的那些行。

总结

Linux 三剑客 awk,sed和grep 在性能领域广泛用于性能建模、性能监控及性能分析等方面，也是各大互联网公司测试岗高频面试题，中高端测试人员必备技能之一