来自：伯乐在线 - 云戒

链接：http://blog.jobbole.com/99034/

导读：Linux以其强大的命令行称霸江湖，Shell命令是数据极客的必修兵器。探索性数据分析，在需求和数据都不太明确的环境下，使用各种命令进行一次探索与挖掘。从基础的文件查看到简单的统计，再到一些常用的探索性分析命令，其目的都只是为了更好的做数据分析与挖掘而已。

 

01 Shell命令行

 

对于经常和数据打交道的人来说，数据工程师应该也是常常和Linux打交道。Linux以其强大的命令行称霸江湖，因此，Shell命令也是数据极客的必修兵器。

 

利用Linux命令行的几个命令，就可以完成一些简单的统计分析工作，比如利用wc命令统计文件行，单词数，字符数，利用sort排序和去重，再结合uniq可以进行词频统计。比如：

 

$ cat file.txt

yunjie

yunjie-talk

yunjie-yun

yunjie

yunjie-shuo

$ sort file.txt | uniq -c | sort -nr | head -5

2 yunjie

1 yunjie-shuo

1 yunjie-talk

1 yunjie-yun

 

先用cat命令，了解一下文件的大概格式与内容，发现每行为一个单词。现在需要统计这些单词出现的频率，以及显示出现次数最多的5个单词。

 

先对文件进行排序，这样相同的单词在紧挨着的行，再后uniq -c 命令，统计不同的单词及各个单词出现的次数。这样得到的结果就是次数后面紧接着单词，然后使用sort -nr对次数进行排序，并逆序显示，最后head命令显示结果的前5行。

 

非常简单的一种方式，读取文件，排序，统计，再对统计结果进行逆序，最后只显示前几个结果。

 

类似于sql语句：

 

select word,count(1) cnt

from file

group by word

order by cnt desc

limit 5;

 

如果对sql语句熟悉的话，上面的形式应该更容易理解。虽然实现的思想和方式非常简单，但在实际的探索性数据分析中使用却非常频繁。

 

02 探索性分析

 

比如在日志分析中，有时并没有非常明确的目标，或者即使有明确的目标，通常各种数据也并没有明确的定义。比如，别人丢给你一个压缩文件，说想分析一下里面有哪些是异常的访问请求。任务描述就是这样，没有更明确的了。

 

拿到日志文件和这样的分析任务，就需要进行各种可能的探索性分析。先看一下文件的格式，是否压缩过，使用gzip压缩还是tar压缩。解压后，需要先大概了解一下，文件是什么样的格式。对于网络请求的日志文件，是一行一个请求和响应，还是多行一个请求和响应。查看文件有多少行，查看文件占用空间大小。如果解压后包含多个目录或者文件，同样的一个命令，更能发挥强大效果。此时，通常需要如下命令：

 

gzip/tar：压缩/解压

cat/zcat：文件查看

less/more：文件查看，支持gz压缩格式直接查看

head/tail：查看文件前/后10行

wc：统计行数、单词数、字符数

du -h -c -s：查看空间占用

 

上面有一个比较有趣的命令组，less和more，这两个都可以分页查看文件。最开始有的more命令，好像是当时more不支持向后翻页。于是一帮人就在此基础上进行了改进，直接叫less，和more同样的功能只是更强大些。因此，也发展出了“less is more”的哲学，“少即是多”，而且少比多更好。这种思想，在产品设计与代码优化中都有体现。

 

了解文件的大概信息后，可能需要提取一行中某个字段的内容，或者需要搜索某些行出来，或者需要对某些字符或者行进行一定的修改操作，或者需要在众多的目录和文件中找出某此天的日志（甚至找到后需要对这些天的日志进行统一处理），此时下面这些命令可以帮你：

 

awk：命令行下的数据库操作工具

join/cut/paste：关联文件/切分字段/合并文件

fgrep/grep/egrep：全局正则表达式查找

find：查找文件，并且对查找结果批量化执行任务

sed：流编辑器，批量修改、替换文件

split：对大文件进行切分处理，按多少行一个文件，或者多少字节一个文件

rename：批量重命名(Ubuntu上带的perl脚本，其它系统需要安装)，使用-n命令进行测试

 

如：

 

# 解压缩日志

$ gzip -d a.gz

$ tar zcvf/jcvf one.tar.bz2 one

# 直接查看压缩日志

$ less a.gz

# 无需先解压

 

另外，以z开头的几个命令可以简单处理gzip压缩文件, 如zcat：直接打印压缩文件，还有zgrep/zfgrep/zegrep，在压缩文件中直接查找。

 

# 查询字符串，并显示匹配行的前3行和后3行内容

fgrep 'yunjie-talk' -A 3 -B 3 log.txt

# 在当前目前(及子目录)下，所有的log文件中搜索字符串hacked by:

$ find . -name "*.log" | xargs fgrep "hacked by"

 

fgrep, grep, egrep的一些区别：

 

fgrep按字符串的本来意思完全匹配，里面的正则元字符当成普通字符解析， 如： fgrep “1.2.3.4″ 则只匹配ip地址： 1.2.3.4, 其中的.不会匹配任意字符。fgrep当然会比grep快多了。写起来又简单，不用转义。

grep只使用普通的一些正则，egrep或者grep -E使用扩展的正则，如

 

egrep "one|two", 匹配one或者two

grep -E -v ".jpg|.png|.gif|.css|.js" log.txt |wc -l

 

查找所有来自日本的ip的请求，先把所有来源ip取出来，去重，找出日本的ip，放入文件japan.ip，再使用命令：

 

$ cat log.gz | gzip -d | fgrep -f japan.ip > japan.log

 

对hive中导出的文件，替换01

 

cat 0000* | sed 's/x1/ /g' > log.txt

03 其它常用命令

 

如果文件编码是从windows上传过来的gb2312编码，需要处理成utf8的编码，或者某个日志被黑客后来修改过了，需要和原来的备份数据进行对比，这些工作都是需要数据工程师自己能熟悉的掌握。

 

假如日志文件是最近一年的请求日志，那么可能是按天或者按小时进行单独存放，此时如果只需要提取某些天（比如周末）的数据，很可能需要处理时间。

 

因此，下面的一些命令或者工具就很有用了：

 

date：命令行时间操作函数

sort/uniq：排序、去重、统计

comm：对两个排序文件进行按行比较（共同行、只出现在左边文件、只出现在右边文件）

diff：逐字符比较文件的异同，配合cdiff，类似于github的显示效果

curl/w3m/httpie：命令行下进行网络请求

iconv：文件编码转换，如：iconv -f GB2312 -t UTF8 1.csv > 2.csv

seq：产生连续的序列，配合for循环使用

 

输出今天/昨天的日期字符串

 

$ date -d today +%Y%m%d

20160320

$ date -d yesterday +%Y%m%d

20160319

 

对unix秒的处理

 

# 当前的时间

$ date +%s

1458484275

$date -d @1458484275

Sun Mar 20 22:31:15 CST 2016

 

两个文件a.txt, b.txt求只出现在a.txt中的数据：

 

# 排序两个文件

$ sort a.txt > a.txt.sort

$ sort b.txt > b.txt.sort

# 求只出现在c.sh中的内容

$ comm -2 -3 a.txt.sort b.txt.sort

 

04 批量操作

 

对上面的文件进行了一番探索分析后，可能已经有一定的线索或者眉目了，需要更进一步的处理大量的文件或者字段了。此时的步骤也许是一个消耗时间的过程，也许是一个需要看缘分的过程。总之，可能需要综合上面的一些命令，并且对大量的日志进行处理。

 

这也是体现Shell更强大的一面——批量化的功能了。命令比图形界面的最大优势就是，只需熟悉了，就很容易实现批量化操作，将这些批量化的命令组合成一个文件，于是便产生了脚本。

 

批量化命令或者脚本，熟悉几个常用的流程控制，就能发挥出强大的性能：

 

if条件判断：

 

if [ -d ${base_d} ];

then mkdir -p ${base_d};

fi

 

while循环：

 

while

do

do_something;

done

 

for循环（用得很多）：

 

for x in *.log.gz;

do

gzip -d ${x};

done

 

这几个条件判断与循环，也可以直接在命令行下使用，区别是多加几个分号隔开即可。

 

另外，执行长时间的任务，最好直接用nohup来操作。

 

生成过去8天的日期序列：

 

$for num in `seq 8 -1 1`;do dd=`date --date="${num} day ago" +%Y%m%d`;echo ${dd};done

20160312

20160313

20160314

20160315

20160316

20160317

20160318

20160319

 

有目录和文件如下：

 

20160320 目录

10.1.0.1_20160320*.log.gz   目录

201603200000.log.gz          文件

201603200010.log.gz          文件

10.1.0.2_20160320*.log.gz   目录

201603200000.log.gz         文件

201603200010.log.gz         文件

 

需求：去掉目录中的*.log.gz，这样很容易让人误解为文件。 rename -n为测试，rename使用和sed相同的语法。

 

$ for d in 201603??;do echo ${d}; cd ${d}; rename -n 's/*.log.gz//' *.log.gz ; cd ..;done

 

测试完成后，使用rename不加-n为真正执行重命名操作。

 

05 结尾

 

这儿只是简单列举了一些数据分析或者数据处理相关的命令，只能算是Linux的Shell那博大精深的命令中的冰山一角。

 

但如果能把这些相关的命令融会贯通，并且能实际使用的话，也算是在数据极客之路上多走了一步。

 

从基础的文件查看到简单的统计，再到一些常用的探索性分析命令，其目的都只是为了更好的做数据分析与挖掘而已。能综合这些命令，并组合起来使用，将命令存放到文件，即产生了Shell脚本。Shell脚本本身也是一门强大的学问了，其中各个命令还有每个命令支持的参数，值得慢慢研究。