dd、split、csplit命令

Linux基础系列文章大纲
Shell系列文章大纲


在Linux最常用的文件生成和切片工具是dd,它功能比较全面,但无法以行为单位提取文件数据,也无法直接将文件按大小或行数进行均分(除非借助循环)。另两款数据分割工具split和csplit能够比较轻松地实现这些需求。csplit是split的升级版。

在处理很大的文件时,一个非常高效的思路是将大文件切割成多个小文件片段,然后再通过多个进程/线程对各个小文件进行操作,最后合并总数居。就像sort命令,它在实现排序时,底层算法就涉及到了将一个大文件切割成多个临时小文件。

dd命令

从if指定的文件读取数据,写入到of指定的文件。使用bs指定读取和写入的块大小,使用count指定读取和写入的数据块数量,bs和count相乘就是文件总大小。可以指定skip忽略读取if指定文件的前多少个块,seek指定写入到of指定文件时忽略前多少个块。

1
dd if=/dev/zero of=/tmp/abc.1 bs=1M count=20

if是input file,of是output file;bs有c(1byte)、w(2bytes)、b(512bytes)、kB(1000bytes)、K(1024bytes)、MB(1000)、M(1024)和GB、G等几种单位。因此,不要随意在单位后加上字母B。

假设现有文件CentOS.iso的大小1.3G,需要将其切分后还原,切分的第一个小文件大小为500M。

1
dd if=/tmp/CentOS.iso of=/tmp/CentOS1.iso bs=2M count=250

生成第二个小文件,由于第二个小文件不知道具体大小,所以不指定count选项。由于第二个小文件要从第500M处开始切分,于是需要忽略CentOS.iso的前500M。假设bs=2M,于是skip掉的数据块数量为250。

1
dd if=/tmp/CentOS.iso of=/tmp/CentOS2.iso bs=2M skip=250

现在CentOS.iso=CentOS1.iso+CentOS2.iso。可以将CentOS[1-2].iso还原。

1
cat CentOS1.iso CentOS2.iso >CentOS_m.iso

比较CentOS_m.iso和CentOS.iso的md5值,它们是完全一样的。

1
2
3
$ md5sum CentOS_m.iso CentOS.iso
504dbef14aed9b5990461f85d9fdc667 CentOS_m.iso
504dbef14aed9b5990461f85d9fdc667 CentOS.iso

那么seek选项呢?和skip有什么区别?skip选项是忽略读取时的前N个数据块,而seek是忽略写入文件的前N个数据块。假如要写入的文件为a.log,则seek=2时,将从a.log的第3个数据块开始追加数据,如果a.log文件本身大小就不足2个数据块,则缺少的部分自动使用/dev/zero填充。

于是,在有了CentOS1.iso的基础上,要将其还原为和CentOS.iso相同的文件,可以使用下面的方法:

1
dd if=/tmp/CentOS.iso of=/tmp/CentOS1.iso bs=2M skip=250 seek=250

还原后,它们的md5值也是相同的。

1
2
3
$ md5sum CentOS1.iso CentOS.iso
504dbef14aed9b5990461f85d9fdc667 CentOS1.iso
504dbef14aed9b5990461f85d9fdc667 CentOS.iso

split命令

split工具的功能是将文件切分为多个小文件。既然要生成多个小文件,必然要指定切分文件的单位,支持按行切分以及按文件大小切分,另外还需解决小文件命名的问题。例如,文件名前缀、后缀。如果未明确指定前缀,则默认的前缀为”x”。

以下是命令的语法说明:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
split [OPTION]... [INPUT [PREFIX]]

-a N:生成长度为N的后缀,默认N=2

-b N: 每个小文件的N,即按文件大小切分文件。支持K,M,G,T(换算单位1024)
: 或KB,MB,GB(换算单位1000)等,默认单位为字节

-l N:每个小文件中有N行,即按行切分文件

-d N:指定生成数值格式的后缀替代默认的字母后缀,数值从N开始,默认为0
: 例如两位长度的后缀01/02/03

--additional-suffix=string
: 为每个小文件追加额外的后缀,例如加上
: ".log"。有些老版本不支持,在CentOS 7.2上已支持

-n CHUNKS:将文件按照指定的CHUNKS方式进行分割。CHUNKS的有效形式
: 有(具体用法见后文):N、l/N、l/K/N、K/N、r/N、r/K/N

--filter CMD:不再直接切割输出到文件,而是切割后作为管道的输入,
: 通过管道将切割的数据传递给CMD执行。如果需要指定文件,
: 则split自动使用$FILE变量。见后文示例

INPUT:指定待切分的输入文件,如要切分标准输入,则使用"-"
PREFIX:指定小文件的前缀,如果未指定,则默认为"x"

基本用法

例如,将/etc/fstab按行切分,每5行切分一次,并指定小文件的前缀为”fs_”,后缀为数值后缀,且后缀长度为2。

1
2
3
4
$ split -l 5 -d -a 2 /etc/fstab fs_

$ ls
fs_00 fs_01 fs_02

查看任一小文件。

1
2
3
4
5
6
$ cat fs_01
# Accessible filesystems, by reference, are maintained under '/dev/disk'
# See man pages fstab(5), findfs(8), mount(8) and/or blkid(8) for more info
#
UUID=b2a70faf-aea4-4d8e-8be8-c7109ac9c8b8 / xfs defaults 0 0
UUID=367d6a77-033b-4037-bbcb-416705ead095 /boot xfs defaults 0 0

可以将这些切分后的小文件重新组装还原。例如,将上面的三个小文件还原为~/fstab.bak。

1
$ cat fs_0[0-2] >~/fstab.bak

还原后,它们的内容是完全一致的。可以使用md5sum比较。

1
2
3
$ md5sum /etc/fstab ~/fstab.bak
29b94c500f484040a675cb4ef81c87bf /etc/fstab
29b94c500f484040a675cb4ef81c87bf /root/fstab.bak

还可以将标准输入的数据进行切分,并分别写入到小文件中。例如:

1
2
3
4
$ seq 1 2 15 | split -l 3 -d - new_

$ ls new*
new_00 new_01 new_02

可以为每个小文件追加额外的后缀。有些老版本的split不支持该选项,而是在csplit上支持的,但是新版本的split已经支持。例如,加上”.log”。

1
2
3
4
$ seq 1 2 20 | split -l 3 -d -a 3 --additional-suffix=".log" - new1_

$ ls new1*
new1_000.log new1_001.log new1_002.log new1_003.log

按CHUNKS进行分割

split的”-n”选项是按照CHUNK的方式进行文件切割:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
'-e' 当使用-n时,不要生成空文件。例如5行数据,却要求按行切割成100个文件,显然第5个文件之后都是空文件

'-u --unbuffered' 当使用-n的r模式时,不要缓冲input,每读一行就立即拷贝给输出,所以该选项可能会比较慢

'-n CHUNKS'
'--number=CHUNKS'
Split INPUT to CHUNKS output files where CHUNKS may be:
N 根据文件大小均分为N个文件(最后一个文件可能大小不均)
K/N 输出(打印到屏幕、标准输出)N个文件中的第K个文件内容
(不是切割后再找到这个文件进行输出,而是切割到这个文件时立即输出)
l/N 按行的方式均分为N个文件(最后一个文件可能行数不均)
l/K/N 按l/N切割的同时,输出属于第K个文件的内容
r/N 类似于l的形式,但对行进行轮询方式切割。例如第一行到
第一个文件,第二行到第二个文件
r/K/N 按照r/N切割时,输出第K个文件的内容

其中大写字母K和N是我们按需指定的数值,l或r是代表模式的字母

可能不是很好理解,给几个示例就很清晰了。

假如文件1.txt中有a-z,每个字母占一行,共26行。将这个文件进行切割:

1.指定CHUNK=N或K/N时

将1.txt均分为5个文件。由于1.txt共52字节(每行中,字母一个字节,换行符一个字节),所以分割后每个文件10字节,最后一个文件12字节。

1
2
3
4
5
6
7
8
9
10
$ split -n 5 1.txt fs_

$ ls -l
total 24
-rw-r--r-- 1 root root 52 Oct 6 15:23 1.txt
-rw-r--r-- 1 root root 10 Oct 6 16:07 fs_aa
-rw-r--r-- 1 root root 10 Oct 6 16:07 fs_ab
-rw-r--r-- 1 root root 10 Oct 6 16:07 fs_ac
-rw-r--r-- 1 root root 10 Oct 6 16:07 fs_ad
-rw-r--r-- 1 root root 12 Oct 6 16:07 fs_ae

如果再指定K/N的K,例如指定为2,则输出属于fs_ab文件中的内容:

1
2
3
4
5
6
$ split -n 2/5 1.txt fs_
f
g
h
i
j

2.指定CHUNK=l/N或l/K/N时

这时将按照行的总数量进行均分。例如,将1.txt中的26行分割成5个文件,前4个文件将各有5行,第5个文件将有6行:

1
2
3
4
5
6
7
8
9
$ split -n l/5 1.txt fs_

$ wc -l fs_*
5 fs_aa
5 fs_ab
5 fs_ac
5 fs_ad
6 fs_ae
26 total

如果指定K,则输出属于第K个文件的内容:

1
2
3
4
5
6
$ split -n l/2/5 1.txt fs_
f
g
h
i
j

3.指定CHUNK=r/N或r/K/N时

使用r时,将每切割一行就轮询到下一个文件,轮完所有文件再返回来切割到第一个文件。

直接看结果:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
$ split -n r/5 1.txt fs_  

$ head -n 2 fs*
==> fs_aa <==
a
f

==> fs_ab <==
b
g

==> fs_ac <==
c
h

==> fs_ad <==
d
i

==> fs_ae <==
e
j

a输出到第1个文件,b输出到第2个文件,c输出到第3个文件,依此类推。

指定K时,将输出第K个文件的内容:

1
2
3
4
5
6
$ split -n r/2/5 1.txt fs_
b
g
l
q
v

filter CMD将切割结果传递给指定命令

默认情况下split是将文件切割传递到各文件片段中,如果使用–filter选项,则不再切割到文件片段中,而是通过管道的形式传递给CMD进行处理。CMD处理时,有可能并不需要将数据存储到文件中,但如果需要将处理后的数据再分片段保存到多个文件中,则可以使用$FILE来表示(这是split识别的变量,要避免被shell解析),就像split的普通切割模式一样。

例如,读取1.txt中的26行,每5行管道传递一次,然后使用echo将它们输出:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
$ split -n l/5 --filter='xargs -i echo ---:{}' 1.txt
---:a
---:b
---:c
---:d
---:e # 第1次通过管道传递的内容
---:f
---:g
---:h
---:i
---:j # 第2次通过管道传递的内容
---:k
---:l
---:m
---:n
---:o
---:p
---:q
---:r
---:s
---:t
---:u
---:v
---:w
---:x
---:y
---:z

这时split是没有生成任何小文件片段的。如果想要将上面的输出保存到小文件片段中,使用$FILE,这个变量是split内置变量,不能被shell解析,所以出现$split的地方必须使用单引号保护起来:

1
2
3
4
5
6
7
8
9
10
11
$ split -n l/5 --filter='xargs -i echo ---:{} >$FILE.log' 1.txt fs_

$ ls
1.txt fs_aa.log fs_ab.log fs_ac.log fs_ad.log fs_ae.log

$ cat fs_aa.log
---:a
---:b
---:c
---:d
---:e

其中的$FILE就是split进行命名的部分。上面的小文件中,都是以fs_为前缀,以”.log”为后缀。

filter有时候是很有用的,例如将一个大的压缩文件,切割成多个小的压缩文件。

1
xz -dc BIG.xz | split -b200G --filter='xz > $FILE.xz' - big-

xz -dc表示解压到标准输出,解压的数据流将传递给split,然后每200G就通过filter中的xz命令进行压缩,压缩后的文件名格式类似于big-aa.xz big-ab.xz

csplit命令

split只能按行或按照大小进行切分,无法按段落切分。csplit是split的变体,功能更多,它主要是按指定上下文按段落分割文件。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
csplit [OPTION]... FILE PATTERN...

描述:按照PATTERN将文件切分为"xx00","xx01", ...,
并在标准输出中输出每个小文件的字节数。

选项说明:
-b FORMAT: 指定文件后缀格式,格式为printf的格式,
: 默认为%02d。表示后缀以2位数值,且不足处以0填充。
-f PREFIX:指定前缀,不指定是默认为"xx"。
-k:用于突发情况。表示即使发生了错误,也不删除已经分割完成的小文件。
-m:明确禁止文件的行去匹配PATTERN。
-s:(silent)不打印小文件的文件大小。
-z:如果切分后的小文件中有空文件,则删除它们。

FILE:待切分的文件,如果要切分标准输入数据,则使用"-"。

PATTERNs:

INTEGER :数值,假如为N,表示拷贝1到N-1行的内容到一个小
:文件中,其余内容到另一个小文件中。
/REGEXP/[OFFSET]:从匹配到的行开始按照偏移量拷贝指定行数的内容到小文件中。
:其中OFFSET的格式为"+N"或"-N",表示向后和向前拷贝N行
%REGEXP%[OFFSET]:匹配到的行被忽略。
{INTEGER} :假如值为N,表示重复N此前一个模式匹配。
{*} :表示一直匹配到文件结尾才停止匹配。

假设文件内容如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
$ cat test.txt
SERVER-1
[connection] 192.168.0.1 success
[connection] 192.168.0.2 failed
[disconnect] 192.168.0.3 pending
[connection] 192.168.0.4 success
SERVER-2
[connection] 192.168.0.1 failed
[connection] 192.168.0.2 failed
[disconnect] 192.168.0.3 success
[CONNECTION] 192.168.0.4 pending
SERVER-3
[connection] 192.168.0.1 pending
[connection] 192.168.0.2 pending
[disconnect] 192.168.0.3 pending
[connection] 192.168.0.4 failed

假设每个SERVER-n表示一个段落,于是要按照段落切分该文件,使用以下语句:

1
2
3
4
5
$ csplit -f test_  -b %04d.log test.txt /SERVER/ {*}
0
140
139
140

“-f test_”指定小文件前缀为”test_”,-b %04d.log指定文件后缀格式”00xx.log”,它自动为每个小文件追加额外的后缀”.log”,”/SERVER/“表示匹配的模式,每匹配到一次,就生成一个小文件,且匹配到的行是该小文件中的内容,{*}表示无限匹配前一个模式即/SERVER/直到文件结尾,假如不知道{*}或指定为{1},将匹配一次成功后就不再匹配。

1
2
$ ls test_*
test_0000.log test_0001.log test_0002.log test_0003.log

上面的文件中虽然只有三个段落:SERVER-1,SERVER-2,SERVER-3,但切分的结果生成了4个小文件,并且注意到第一个小文件大小为0字节。为什么会如此?因为在模式匹配的时候,每匹配到一行,这一行就作为下一个小文件的起始行。由于此文件第一行”SERVER-1”就被/SERVER/匹配到了,因此这一行是作为下一个小文件的内容,在此小文件之前还自动生成一个空文件。

生成的空文件可以使用”-z”选项来删除。

1
2
3
4
$ csplit -f test1_ -z -b %04d.log test.txt /SERVER/ {*}
140
139
140

还可以指定只拷贝匹配到的行偏移数量。例如,匹配到行时,只拷贝它后面的1行(包括它自身共两行),但多余的行将放入下一个小文件中。

1
2
3
4
5
$ csplit -f test2_ -z -b %04d.log test.txt /SERVER/+2 {*}
42
139
140
98

第一个小文件只有两行。

1
2
3
$ cat test2_0000.log 
SERVER-1
[connection] 192.168.0.1 success

SERVER-1段落的其余内容放入到了第二个小文件中。

1
2
3
4
5
6
$ cat test2_0001.log
[connection] 192.168.0.2 failed
[disconnect] 192.168.0.3 pending
[connection] 192.168.0.4 success
SERVER-2
[connection] 192.168.0.1 failed

同理第三个小文件也一样,直到最后一个小文件中存放剩余所有无法匹配的内容。

1
2
3
4
$ cat test2_0003.log 
[connection] 192.168.0.2 pending
[disconnect] 192.168.0.3 pending
[connection] 192.168.0.4 failed

指定”-s”或”-q”选项以静默模式运行,将不会输出小文件的大小信息。

1
$ csplit -q -f test3_ -z -b %04d.log test.txt /SERVER/+2 {*}
文章作者: 骏马金龙
文章链接: http://www.junmajinlong.com/shell/dd_split_csplit/
版权声明: 本博客所有文章除特别声明外,均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 骏马金龙