编程技巧之 Linux 文本处理命令

本文转载自微信公众号「程序员历小冰」，作者历小冰 。转载本文请联系程序员历小冰公众号。

合格的程序员都善于使用工具，正所谓君子性非异也，善假于物也。合理的利用 Linux 的命令行工具，可以提高我们的工作效率。

本篇文章是《Linux 文本处理命令》 续篇，在前文的基础上再介绍几款有用的 Linux 命令行工具和使用场景。

再啰嗦几句，工具能提供效率，但是有一定的学习曲线和学习成本。很多同学临时想用时，可能会陷入了不会用的尴尬境地，再去网上搜索学习，最终要花费更长时间，还不如使用笨方法处理，这是很多同学不使用这些工具的原因之一。

而且更难的是，思维上改变原有的做事习惯，一个文件中有20多行数据要生成 SQL，好像用手工处理也就是1，2分钟;快捷键记不住，我鼠标移动一下点点也挺快。但是当行数量变大或者复杂性提高时，这些手段的弊端就会显现，逼迫我们去使用正确的手段。

所以，为什么不一开始就使用更快，而且可以处理更加复杂场景的手段呢?

本文主要以两个场景为引子，介绍 join、sort、uniq 命令和 sed 编辑器。

合并两个文件中的关联行

简单说一下场景，有两个文件，里边都是固定格式的行，代表着数据库的一行数据，一个文件是用户相关的数据，有 user_id、username 和 gender 三列，另外一个文件是订单相关的数据，有order_id、price、user_id，time四行，现在要按照 user_id 将两个文件按行合并，也就是user_id相同的行组合成一个新行，如下图所示。

上述两个文件的内容如下所示：

// order.txt user_id是第三列 
o1 1 u1 2011-9 
o2 2 u2 2011-10 
o3 3 u3 2011-10 
o4 4 u1 2011-12 
// user.txt user_id是第一列 
u1 tom 男 
u2 jack 男 
u3 nacy 女 

我们准备使用 join，发现具体命令格式已经忘记了。这时，既可以去网上搜寻，也可以去询问 man

通过 man 你可以了解到 join 的功能描述和参数介绍，一般来说看 DESCRIPTION 一栏下的即可。

从上边的 man 文档可以很清楚的了解到 join 命令使用 equality join 操作对特定的文件进行合并，并输出到标准输出流上。join filed 就是用于合并文件时进行比较的列，默认是两个文件的第一列。可以使用 -1 和 -2 分别制定第一个文件和第二个文件要对比的列。

$ join -1 3 -2 1 order.txt user.txt  
# 指定以order.txt的第三列和user.txt的第一列来进行对比join 
u1 o1 1 2011-9 tom 男 
u2 o2 2 2011-10 jack 男 
u3 o3 3 2011-10 nacy 女 

会发现，输出中少了一行，order.txt 明明是四行，这是为什么呢?我们再来细看 man 文档，发现了端倪。

两个合并文件的行必须先按照对比列进行排序，否则可能会导致缺失部分行。user.txt 已经按照其第一列排序了，所以，我们只需要使用 sort 命令对 order.txt 按照其第三列进行排序。

sort 命令将以默认的方式将文本文件的第一列以ASCII 码的次序排序，并将结果输出到标准输出。-k 参数可以指定其根据第几列进行排序。

$ sort -k 3 order.txt  
# 按照数字排序则使用 -n 如果反序则用 -r 
o4 4 u1 2011-12 
o1 1 u1 2011-9 
o2 2 u2 2011-10 
o3 3 u3 2011-10 

我们将上述两个命令结合起来使用，现将 sort 的结果存入 sorted_order.txt，然后再进行 join，就能得到最终的结果。

$ sort -k 3 order.txt > sorted_order.txt 
$ join -1 3 -2 1 sorted_order.txt user.txt 
u1 o4 4 2011-12 tom 男 
u1 o1 1 2011-9 tom 男 
u2 o2 2 2011-10 jack 男 
u3 o3 3 2011-10 nacy 

另外，上述命令默认的列分隔符都是\t和空格，可以使用 -t 参数来制定字符作为分隔符。

通过上述命令的组合，我们就完成了按照相同列合并两个文件的操作，这也体现了 Linux 的 KISS 思想，每个工具只做一小件事情。

还是基于上述的场景，突然需要统计一下 order.txt 中每个用户购买的订单数量，然后按照订单数进行从大到小排序，这又该如何处理呢?

我们可以将 sort 和 uniq 两个工具结合起来。uniq 命令一般用于检查和删除文件中重复出现的行，我们可以使用它来计算 order.txt 中用户出现的次数。

$ sort -k 3 order.txt | uniq -f 3 -c  
# -f 表示按照第三列进行统计 
  1 o4 4 u1 2011-12 
  1 o1 1 u1 2011-9 
  2 o2 2 u2 2011-10 

删除 Markdown 文件中的超链接

另外一个场景是我编辑文章时遇到的，当时 markdown 格式的文档中有很多超链接，也就是[描述](链接)格式，希望全部把超链接去掉，也就是去掉方括号、圆括号和圆括号中的内容。因为文档中还有很多代码，包含很多圆括号语句，所以必须先准确超链接格式，然后再进行替换。

这里，我们可以使用 sed 命令。sed 的全名叫 stream editor 流编辑器，可以使用程序的方式来编辑文本。想要全面学习它的小伙伴可以阅读 《SED 简明教程》或 《sed 手册》，我们这里只介绍一下最基础的功能，向大家展示使用它的可能性。使用 sed 一般要了解正则表达式，推荐《正则表达式30分钟入门教程》。

sed 最简单的使用方法就是替换文本。比如，我们要将上述的 order.txt 中的 u全部替换为user，则可以使用如下命令。

$ sed 's/u/user/g' order.txt  
# u是被替换的词 user是替换词 
o1 1 user1 2011-9 
o2 2 user2 2011-10 
o3 3 user3 2011-10 
o4 4 user1 2011-12 

sed 还能轻易实现 sublime 或者 vscode 经常使用的多行光标编辑的功能。比如在 order.txt 的每行前头前添加文字。

$ sed 's/^/#/g' order.txt   
# ^在正则表达式中表示一行开头，所以表示是在行开头上加上#字符 
#o1 1 u1 2011-9 
#o2 2 u2 2011-10 
#o3 3 u3 2011-10 
#o4 4 u1 2011-12 

下面，我们直接来看如何将超链接格式转换为纯文本。

$ echo "[链接](http://http://remcarpediem.net/)" | sed -E "s/\[(.*)]\(.*\)/\1/g" 
链接 

首先，识别[描述](链接) 格式的正则表达式是\[.*\]\(.*\)，其中 \[和\( 分别表示匹配文本的[和( 符号。. 表示任何单个字符，*表示某个字符出现了0次或多次， 二者组合 .* 则表示出现0次或者多次任何字符。

综上，上述正则表达的含义就是先出现一个[，再出现0次或者多次任意字符，在出现一个]，在出现一个(，在出现0次或者多次任意字符，最后出现一个)。

其次，我们希望用[描述]中的描述文本来替换整个超链接文本，所以需要先识别出方括号中的内容，则需要将其用()单独括起来，表示一个子表达式，也就是\[(.*)\]\(.*\)。

最后，sed 的 s///g 模式下，s 表示替换模式，g 表示匹配每一行有行首到行尾的所有字符，加 g 则一行有多个链接可以匹配处理，不加只能匹配第一个。\1代表第一个子表达式，也就是方括号中的描述内容。