ETL工具sed进阶是怎么样的

sed 详解

我觉得 sed 玩到最后，应该触及的最高难度的问题，有这些：

1. 替换百万行文本，sed 的处理速度如何

2. sed 作为 ETL 工具，与 MySQL, Oracle 等连接起来，做交互式操作

3. sed 会有异常吗，那么如何处理：比如处理百万数据失效了

而这一切才刚刚开始！

Substitute - s 命令详解

sed 's/pattern/replacement/' inputfile

经典的用法就是这样。

但实际运作起来，并非像我们想象的那样：

[root@centos00 _data]# cat hw.txt
this is the profession tool on the professional platform
this is the man on the earth

[root@centos00 _data]# sed 's/the/a/' hw.txt
this is a profession tool on the professional platform
this is a man on the earth

[root@centos00 _data]#

虽然我们制定了 pattern, 但 replacement 只替换了每行第一次出现的指定文本。

所以有了这些 s 命令的衍生：

s/pattern/replacement/flag

数字：指定第几处符合指定模式的文本被替换；
g: 替换所有符合的模式文本；
p: 原先的内容文本先打印出来；
w filename: 将替换的结果写入到文件里面去

替换掉所有的符合模式条件的文本：

[root@centos00 _data]# sed 's/the/a/g' hw.txt
this is a profession tool on a professional platform
this is a man on a earth

将结果写入到另一个文本文件：

[root@centos00 _data]# sed 's/the/a/w dts.txt' hw.txt
this is a profession tool on the professional platform
this is a man on the earth

[root@centos00 _data]# cat dts.txt
this is a profession tool on the professional platform
this is a man on the earth
[root@centos00 _data]#

分隔符的替换：

[root@centos00 _data]# sed 's!/bin/bash!/bin/csh!' /etc/passwd
root:x:::root:/root:/bin/csh
bin:x:1:1:bin:/bin:/sbin/nologin
daemon:x:2:2:daemon:/sbin:/sbin/nologin
adm:x:3:4:adm:/var/adm:/sbin/nologin
lp:x:4:7:lp:/var/spool/lpd:/sbin/nologin
sync:x:5::sync:/sbin:/bin/sync

使用 ! 亦可以作为分隔符。因为 / 和路径分隔符重合，而转义的时候，会加很多 \ 符，因此不是很好读。

还可以用@ 作为分隔符

[root@centos00 _data]# sed 's@/bin/bash@/bin/csh@' /etc/passwd
 root:x:::root:/root:/bin/csh
 bin:x:1:1:bin:/bin:/sbin/nologin
 daemon:x:2:2:daemon:/sbin:/sbin/nologin
 adm:x:3:4:adm:/var/adm:/sbin/nologin
 lp:x:4:7:lp:/var/spool/lpd:/sbin/nologin
 sync:x:5::sync:/sbin:/bin/sync

不禁要问自己的问题是，到底还有多少符号可以用来作为分隔符？

参考官方文档，貌似任何的字符都可以作为分隔符，是根据s后面第一个遇到的符号作为分隔符：

https://www.gnu.org/software/sed/manual/html_node/The-_0022s_0022-Command.html

[root@centos00 _data]# sed 's6a6the6g' dts.txt
this is the profession tool on the professionthel plthetform
this is the mthen on the etherth
[root@centos00 _data]#

瞧，说的没错把。s 命令后面第一个字符，就是当做分隔符。

貌似这篇文章还有点深入的：

There are two levels of interpretation here: the shell, and sed.

In the shell, everything between single quotes is interpreted literally, except for single quotes themselves. You can effectively have a single quote between single quotes by writing '\'' (close single quote, one literal single quote, open single quote).

Sed uses basic regular expressions. In a BRE, in order to have them treated literally, the characters $.*[\]^ need to be quoted by preceding them by a backslash, except inside character sets ([…]). Letters, digits and (){}+?| must not be quoted (you can get away with quoting some of these in some implementations). The sequences \(, \), \n, and in some implementations \{, \}, \+,  \?, \| and other backslash+alphanumerics have special meanings. You can get away with not quoting $^] in some positions in some implementations.

Furthermore, you need a backslash before / if it is to appear in the regex outside of bracket expressions. You can choose an alternative character as the delimiter by writing, e.g., s~/dir~/replacement~ or \~/dir~p; you'll need a backslash before the delimiter if you want to include it in the BRE. If you choose a character that has a special meaning in a BRE and you want to include it literally, you'll need three backslashes; I do not recommend this, as it may behave differently in some implementations.

In a nutshell, for sed 's/…/…/':

Write the regex between single quotes.
Use '\'' to end up with a single quote in the regex.
Put a backslash before $.*/[\]^ and only those characters (but not inside bracket expressions).
Inside a bracket expression, for - to be treated literally, make sure it is first or last ([abc-] or [-abc], not [a-bc]).
Inside a bracket expression, for ^ to be treated literally, make sure it is not first (use [abc^], not [^abc]).
To include ] in the list of characters matched by a bracket expression, make it the first character (or first after ^ for a negated set): []abc] or [^]abc] (not [abc]] nor [abc\]]).
In the replacement text:

& and \ need to be quoted by preceding them by a backslash, as do the delimiter (usually /) and newlines.
\ followed by a digit has a special meaning. \ followed by a letter has a special meaning (special characters) in some implementations, and \ followed by some other character means \c or c depending on the implementation.
With single quotes around the argument (sed 's/…/…/'), use '\'' to put a single quote in the replacement text.
If the regex or replacement text comes from a shell variable, remember that

The regex is a BRE, not a literal string.
In the regex, a newline needs to be expressed as \n (which will never match unless you have other sed code adding newline characters to the pattern space). But note that it won't work inside bracket expressions with some sed implementations.
In the replacement text, &, \ and newlines need to be quoted.
The delimiter needs to be quoted (but not inside bracket expressions).
Use double quotes for interpolation: sed -e "s/$BRE/$REPL/".

使用寻址地址

行寻址：

第一种数字寻址：使用明确的行号，1,2,4 来标识需要匹配的行：

[root@centos00 _data]# sed '1s6a6the6g' dts.txt
this is the profession tool on the professionthel plthetform
this is a man on the earth
[root@centos00 _data]# sed '2s6a6the6g' dts.txt
this is a profession tool on the professional platform
this is the mthen on the etherth
[root@centos00 _data]#

第二种使用正则，当然这种方法更为灵活：

[root@centos00 _data]# sed '/platform/s6a6the6g' dts.txt
this is the profession tool on the professionthel plthetform
this is a man on the earth

命令执行：

[root@centos00 _data]# sed '/platform/{
s6a6the6g
s6on6above6g
}' dts.txt
this is the professiabove tool above the professiabovethel plthetform
this is a man on the earth
[root@centos00 _data]# sed '/platform/ 
{s6a6the6g
s6on6above6g
}' dts.txt
sed: -e expression #1, char 11: unknown command: `
'
[root@centos00 _data]#

单行命令我已经描述过了，但多行命令应用到同一行还是有些不一样。比如{}的闭合就有说法，就像卡波蒂所说，一个标点符号的错位都有可能引起文章句意的不同。这里还是要注意。

官方文档有篇文章，介绍 sed 是如何工作的，我觉得蛮有意思：

6.1 How sed Works
sed maintains two data buffers: the active pattern space, and the auxiliary hold space. Both are initially empty.

sed operates by performing the following cycle on each line of input: first, sed reads one line from the input stream, removes any trailing newline, and places it in the pattern space. Then commands are executed; each command can have an address associated to it: addresses are a kind of condition code, and a command is only executed if the condition is verified before the command is to be executed.

When the end of the script is reached, unless the -n option is in use, the contents of pattern space are printed out to the output stream, adding back the trailing newline if it was removed.8 Then the next cycle starts for the next input line.

Unless special commands (like ‘D’) are used, the pattern space is deleted between two cycles. The hold space, on the other hand, keeps its data between cycles (see commands ‘h’, ‘H’, ‘x’, ‘g’, ‘G’ to move data between both buffers).

sed 按行处理文本时，会开辟两块缓冲区，pattern 空间和 hold 空间。

pattern 空间是保留去行首尾换行符之后的所有文本。一旦对这行文本处理完毕，就“倒掉” pattern 空间中的文本，换一下行。作为临时性的贮存区，每一次的换行都将清除 pattern 空间中的文本数据。

而 hold 空间则是保留了每次换行之后，前一行的数据。

接下来的进阶版文章中，会逐渐引入 pattern space, hold space 的概念。

sed 进阶

#### 多行命令

在整个文本文件中寻找模式，就需要考虑多行（跨行）的问题。因为模式可能不会存在单行上，或被分割成相邻的两行，或模式寻找的范围更广，需要将整篇文章作为搜索对象。所以多行就变成了必须。

硬编码的多行，用 n;n;… 来表示的例子：

[root@centos00 _data]# sed  '{/professional/{n;d}}' dts.txt
this is a profession tool on the professional platform
this is a man on the earth

i like better man
[root@centos00 _data]#

定位到含有 professional 那行，并且删除下面一行。

这里 n; 仅仅是为了可以定位更加机动化。试想如果不用 n;想要删除其中的空行， 那么使用 ^

不能识别此Latex公式:
 就将移除所有的空行：


[root@centos00 _data]# sed  '{/^$/d}' dts.txt
this is a profession tool on the professional platform
this is a man on the earth
i like better man
[root@centos00 _data]#

这里用到了正则，说明下：

正则表达式是用模式匹配来过滤文本的工具。


  
在 Linux 中，正则表达式引擎有两种：

  
BRE - 基本正则表达式引擎（Basic Regular Expressions）

  
ERE - 扩展正则表达式引擎（Extentional Regular Expressions）


sed 使用的是 BRE 引擎，而且用的还是 BRE 引擎中更小的一部分表达式，因此速度超快，但功能受限；

gawk 使用的是 ERE 引擎，重武器库型编辑工具（实际上具有可编程性），因此表达式丰富，但是速度可能较慢。

锚定字符：

  
行首定位 ^

  
行尾定位 
不能识别此Latex公式:


  
空行：^



多行匹配

[root@centos00 Documents]# sed '/first/{N;s/\n/ /;s/line/user/g}' MultiLine.txt
this is the header line
this is the first user  this is the second user
this is the third line 
this is the end

[root@centos00 Documents]# sed '/first/{N;s/\n/ /;s/first.*second/user/g}' MultiLine.txt
this is the header line
this is the user line
this is the third line 
this is the end

[root@centos00 Documents]#

第一个例子，我们先找有 first 存在的那行，接着将下一行的文本也附加到找到的这行来（其实是存在于 pattern space）,然后对于这行中的换行符(\n)做了替换处理，要不两行还是显示两行，替换了换行符，将所有 line 文本替换为 user;

第二个例子更有意思，除了连接符合条件行的两行之外，还用“.”通配符，替换了整个包含符合条件的文本，从而实现了两行搜索。


  
当然还可以连着搜索三行：


[root@centos00 Documents]# sed '/first/{N;N;s/\n/ /g;s/first.*third/user/g}' MultiLine.txt
this is the header line
this is the user line 
this is the end

[root@centos00 Documents]#


  
这里可以想象如果是整个文本文件呢？


反转文本顺序
要实现文本文件的行顺序反转，需要用到两个概念：


  

  
Hold space 保持空间

  
排除命令！

  


Hold space 的概念很有意思，和 pattern space 一样的是他们都被 sed 用来存储临时数据，不一样的是 hold space 保留的数据，时效性更长一些，而 pattern space 的数据在存储下一行数据之前，会被清空。且两种空间之间的数据可以互相交换。

sed 编辑器的 hold space 命令：
命令
解释
h
将模式空间复制到保持空间
H
将模式空间附加到保持空间
g
将保持空间复制到模式空间
G
将保持空间附加到模式空间
x
交换模式空间和保持空间的内容

将文件中内容按行倒序：
[root@centos00 Documents]# cat seqnumber.txt
1
2
3
4
5
6
[root@centos00 Documents]# sed -n '{G;h;s/\n//g;$p}' seqnumber.txt
654321
[root@centos00 Documents]#

在本例中，G;h;就是利用了 pattern, hold space 的命令，做出两空间中数据的移动。

这里特别要注意的是 

排除命令：

有两个作用，一是对符合条件的行不执行命令，二是对不符合条件的那些行则坚决执行这些命令

[root@centos00 Documents]# sed -n '{G;h;$p}' seqnumber.txt
6
5
4
3
2
1

[root@centos00 Documents]# sed -n '{1!G;h;$p}' seqnumber.txt
6
5
4
3
2
1
[root@centos00 Documents]#

1！G就表示仅在第一行排除使用 G 命令，因为第一行读取时，hold space 并没有内容，是空值（看第一个结果，末尾有个空行），只执行 h; 而其他行都会一次执行 G;h;, 最后一行还会执行 p 的操作。

改变流：

[address]b[label]

[address] 是定位表达式，label 是用来表示特定的一组命令的标记。

[root@centos00 Documents]# cat MultiLine.txt 
this is the header line
this is the first line 
this is the second line
this is the third line 
this is the end

[root@centos00 Documents]# sed '{ /second/bchg;s/[ ]is[ ]/ was /g;:chg s/line/user/ }' MultiLine.txt
this was the header user
this was the first user 
this is the second user
this was the third user 
this was the end

[root@centos00 Documents]#

值得注意的是，所有的命令都会被依次执行，但符合条件的行只被执行标记出来的命令。以上代码中， is 被替换成 was 只有在行内容中没有 second 的那些行，才执行。而所有的行，都会执行替换 line 成 user 的操作。

当然，为了阅读美观性，[address]b [label]之间可以加一个空格：

[root@centos00 Documents]# sed '{ /second/b chg;s/[ ]is[ ]/ was /g;:chg s/line/user/ }' MultiLine.txt
this was the header user
this was the first user 
this is the second user
this was the third user 
this was the end

[root@centos00 Documents]#

如果在跳转命令后面什么标识(label)都不注明，那么符合条件的这行将跳过所有的命令，知道末尾退出，什么都不做！

[root@centos00 Documents]# sed '{ /second/b;s/[ ]is[ ]/ was /g;:chg s/line/user/ }' MultiLine.txt
this was the header user
this was the first user 
this is the second line
this was the third user 
this was the end

[root@centos00 Documents]#

除了放在末尾外，label 也可以放在首部命令的位置，这样就造成了调用 label 命令时的循环：

[root@centos00 Documents]# echo 'this,is,a,header,line,' | sed ':rmc s/,/ / ; b rmc ;' 
^C
[root@centos00 Documents]# echo 'this,is,a,header,line,' | sed ':rmc s/,/ / ; /,/b rmc ;' 
this is a header line 
[root@centos00 Documents]#

为了防止死循环，加上判断，比如是否还有满足条件的情况（还有逗号）可以有效停止循环。

[root@centos00 Documents]# cat sed_t.sed
{

        s/second/sec/
        t
        s/[ ]is[ ]/ was /
        ;

}

[root@centos00 Documents]# sed -f sed_t.sed MultiLine.txt
this was the header line
this was the first line 
this is the sec line
this was the third line 
this was the end

[root@centos00 Documents]#

测试命令，完成了 if-then-else-then 的结构：

if 
    s/second/sec/ 

else 
    s/[ ]is[ ]/ was /

如果没有完成 s/second/sec/ 的替换，那么执行 s/[ ]is[ ]/ was / 的替换。

t 和 b 的引用风格也一样 :

[address]t [label]

但这里[address]是替换成了s/// 的替换命令：

[s/second/sec/]t [label]

完整的写起来是这么回事，前面例子省却了 label, 则自动跳转到命令脚本末尾，即什么也不发生。

[root@centos00 Documents]# cat sed_t_header.sed
{
    s/header/beginning/
    t chg
    s/line/user/
    :chg 
    s/beginning/beginning header/
}

[root@centos00 Documents]# sed -f sed_t_header.sed MultiLine.txt
this is the beginning header line
this is the first user 
this is the second user
this is the third user 
this is the end

[root@centos00 Documents]#

值得注意的是，t 的脚本中，命令也是依次执行的， chg 的命令同样也会作用于每一行上，只是不起作用而已。

模式替代

[root@centos00 Documents]# echo 'the cat is sleeping in his hat' | sed 's/.at/"&"/g'
the "cat" is sleeping in his "hat"
[root@centos00 Documents]#

“.”指代任意一个字符，所以 cat, hat 都匹配的上。用 & 标识整个模式匹配的上的字符串，将其前后加上双引号。

[root@centos00 Documents]# sed 's/this\(.*line\)/that\1/;p;' -n MultiLine.txt
that is the header line
that is the first line 
that is the second line
that is the third line 
this is the end

[root@centos00 Documents]#

有意思的事情是， \1, \2, \3, \n 标识了每个用 () 标记起来的模式子字符串，在替换命令中，使用了 \1,\2… 指代符的维持原来内容不变，而没有 \1, \2… 标记起来的内容，则全部替换。

案例：

给每行加个行号：

[root@centos00 Documents]# cat MultiLine.txt
this is the header line
this is the first line 
this is the second line
this is the third line 
this is the end

[root@centos00 Documents]# sed ' = ' MultiLine.txt | sed 'N;s/\n//g' 
1this is the header line
2this is the first line 
3this is the second line
4this is the third line 
5this is the end
6
7
[root@centos00 Documents]#