文本处理 Shell脚本学习指南之文本处理工具

4.1 排序文本

4.1.1 行的排序
未提供命令行选项时，整个记录会根据当前locale所定义的次序排序。
在传统的C locale中，也就是ASCII顺序。

4.1.2 以字段排序
-k选项的后面接着的是一个字段编号，或者是一对数字。
每个编号后面都可以接一个点号的字符位置，或修饰符字母。

如果仅指定一个字段编号，则排序键值会自该字段的起始处开始，
一直继续到记录的结尾（而非字段的结尾）。

如果给的是一对用逗号隔开的字段数字，则排序键值将由第一个字段值的起始处开始，
结束于第二个字段值的结尾。使用点号表示字符位置。
-k2.4, 5.6指的是从第二个字段的第四个字符开始比较，一直比到第五个字段的第六个字符。
$ sort -t: -k1,1 /etc/passwd     以用户名称排序
bin:x:1:1:bin:/bin:/sbin/nologin
chico:x:12501:1000:Chico Marx:/home/chico:/bin/bash
harpo:x:12502:1000:Harpo Marx:/home/harpo:/bin/ksh
...

$ sort -t: -k3,3nr /etc/passwd     反省UID排序
或-k3nr,3或-k3,3 -n -r都可以。

4.1.3 文本块的排序
有时需要对多行记录组合而成的数据排序。以地址清单为例：
$ cat my-friends
# SORTKEY: Schlo, Hans Jurgen
Hans Jurgen Schlo
Unter den Linden 78
D-10117 Berlin
Germany

# SORTKEY: Jones, Adrian
...

技巧是：利用awk识别段落间隔，在每个地址内暂时使用一个未用过的字符取代分行。
sort看到的行就会变成这样：
# SORTKEY: Schlo, Hans Jurgen^ZHans Jurgen Schlo^ZUnter den Linden 78^Z...
cat my-friends |               读取地址文件
     awk -v RS=" " '{ gsub("\n", "^Z"); print }' |    转换地址为单行
          sort -f |           排序地址数据，忽略大小写
               awk -v ORS="\n\n" '{ gsub("^Z", "\n"); print }' |  恢复行结构
                    grep -v '# SORTKEY'   删除标记行
1. 函数gsub()为全局性替换(global substitution)，类似sed下的s/x/y/g结构。
2. RS变量时输入数据的记录分隔器（Record Separator）。
   通常输入数据以换行隔开，使每行成为单个记录。
    RS=" "是一个特殊用法，指的是记录以空行隔开。
3. ORS是输出记录分隔器。
注：'{ action }'是对每个字段的操作，而RS,ORS都是对记录的设定。

4.1.5 sort的稳定性
sort并不稳定。

4.2 删除重复
sort -u是依据匹配的键值进行消除操作，而非匹配的记录。
uniq有3个好用选项：
     -c在每个输出行之前加上该行重复的次数。
     -d则用于仅显示重复的行。
     -u仅显示未重复的行。

4.3 重新格式化段落
fwt -w 30

4.4 计算行数、字数以及字符数
wc的默认输出是一行报告，包括行数、字数以及字节数。
可用选项：-c（字节数）、-l（行数）、-w（字数）。

4.6 提取开头或结尾数行
显示文件列表中每一个的前n条记录：
head -n n [file(s)]
head -n [file(s)]
awk 'FNR <= n' [file(s)]
sed -e nq [file(s)]
sed nq [file(s)]

观察不断增长的系统信息日志，Ctrl-C停止tail。