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。

<>

1.1 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。
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。
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。
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。
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。
shell> 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:
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。
shell> md5sum CentOS1.iso CentOS.iso 504dbef14aed9b5990461f85d9fdc667
CentOS1.iso 504dbef14aed9b5990461f85d9fdc667 CentOS.iso
<>

1.2 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:
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"。有些老版本不支持该选项,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"
1.2.1 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。
[[email protected] ~]# split -l 5 -d -a 2 /etc/fstab fs_ [[email protected] ~]# ls fs_00
fs_01 fs_02
查看任一小文件。
[[email protected] ~]# 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
defaults0 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。
[[email protected] ~]# 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。
[[email protected] ~]# 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:
[[email protected] ~]# seq 1 2 15 | split -l 3 -d - new_ [[email protected] ~]# 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"。
[[email protected] ~]# seq 1 2 20 | split -l 3 -d -a 3 --additional-suffix=".log" -
new1_ [[email protected]~]# ls new1* new1_000.log new1_001.log new1_002.log
new1_003.log
1.2.2 按CHUNKS进行分割

split的"-n"选项是按照CHUNK的方式进行文件切割:
'-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。
[[email protected] a]# split -n 5 1.txt fs_ [[email protected] a]# 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:
[[email protected] a]# 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:
[[email protected] a]# split -n l/5 1.txt fs_ [[email protected] a]# 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:
[[email protected] a]# 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:
[[email protected] a]# split -n r/5 1.txt fs_ [[email protected] a]# 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:
[[email protected] a]# split -n r/2/5 1.txt fs_ b g l q v
1.2.3 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:
[[email protected] a]# 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:
[[email protected] a]# split -n l/5 --filter='xargs -i echo ---:{} >$FILE.log' 1
.txt fs_ [[email protected] a]# ls 1.txt fs_aa.log fs_ab.log fs_ac.log fs_ad.log
fs_ae.log [[email protected] a]# cat fs_aa.log ---:a ---:b ---:c ---:d ---:e
其中的$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。
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"。

<>

1.3 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。
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:
[[email protected] ~]# 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:
[[email protected] ~]# 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。
[[email protected] ~]# 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。
[[email protected] ~]# 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。
[[email protected] ~]# 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。
[[email protected] ~]# 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。
[[email protected] ~]# 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。
[[email protected] ~]# 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。
[[email protected] ~]# csplit -q -f test3_ -z -b %04d.log test.txt /SERVER/+2 {*}