数据科学家必备的21个命令行工具

在该篇文章中，我们将介绍用于快速分析存储于文本文件（日志、报文等等）中的数据的便利工具。

通常我们所需要的数据并不储存在电脑本地中。所以首先，我们将探讨如何访问及使用远程服务器。因此，我们需要使用最适配的 SSH（安全外壳协议/Secure Shell：即一种加密网络协议，该协议专为远程登录会话和其他网络服务提供安全性的协议，可以有效防止远程管理过程中的信息泄露问题。）

在 Ubuntu 终端中，你可以使用以下命令行在 SSH 协议下访问远程服务器：

$ ssh user@host

$ ssh -p port host

采用 key 连接：

$ ssh -i key.pem user@host

远程主机执行的命令行：

$ ssh -i key.pem user@host command

SSH Client 已经默认安装在 Ubuntu 中；如果没有的话，可以在终端使用以下命令行安装：

command sudo apt-get install ssh

在 Windows 中

如果你使用的是微软的 Windows 系统，那么你需要安装一个免费的 PuTTY 程序（地址：http://www.putty.org/）以保证 SSH 协议正常运行。为了使用 PuTTY 连接，我们需要经过以下几个步骤：

1. 运行 PuTTY 并键入我们的连接设置：

• 主机名：example.com

• 端口：22 (保留默认设定)

• 连接类型：SSH（保留默认设定）

2. 点击 Open 开始 SSH 会话框。

3. 一旦 SSH 连接已经打开，我们就会看到终端提示符会请求输入用户名。

4. 下一步，输入我们的密码。注意，当我们输入密码时，我们并不会看到任何光标移动或任何输入符号（如：*******）。这是 PuTTY 标准安全的特性，请放心继续输入。

5. 现在我们可以开始输入命令提示符了。

SSH 的重要特征就是能创建安全通道。

在 Ubuntu 中

1. 网络到世界的通道：

ssh -f -N -R 22:192.168.0.1:22 username@1.1.1.1

在主机 1.1.1.1 上输入：访问主机 192.168.0.1

$ ssh localhost 

设置：

• R：执行远程重定向（redirection）。当我们访问远程机器端口时，将会创建一个 SSH 通道（SSH-tunnel），并且连接将转向特定的主机端口。

• N：禁止远程运行命令行。只有转发端口时才起作用。

• f：在远程系统注册之后立即转入后台模式。

使用 SSH 通道非常有效的方式是使用通信加密（traffic encryption）。例如，如果我们使用的是开放网络，但并不希望其他人拦截我们的数据就可使用 SSH 通道。

2. 世界到网络的通道：

ssh -f -N -L 80:192.168.0.1:80 username@1.1.1.1

在你的主机输入命令行：http://localhost:80

访问网络主机 192.168.0.1，其位于主机 1.1.1.1 的后面。

设置：

• L：执行一个本地端口转发。当我们访问本地机器的端口时，特定主机的主机端口将会在通道端口上创建。

从世界到网络的通道（反向通道）在我们需要访问机器，但机器又被防火墙保护时需要。操作的原则即连接最开始是由远程机器发起。在这样的通道中，我们可以发送任何通信（traffic），而并不仅仅只是 SSH。

在 PuTTY 中使用 SSH 通道

• In Connection -> SSH -> Tunnels, enter

源端口：22

目标端口：22

• 检查 box 处于「Dynamic」状态，并单击「Add」按钮。

• 在会话框中输入要求的「Host Name」并选择 SSH 协议。然后键入「Saved Sessions」名保存设置。例如，键入「HostName with ssh tunnel on 22」并点击「Save」。双击主机名将创建连接。

• 一旦 SSH 连接已经创建了，我们就可以使用浏览器了。打开一个页面，其中 IP 地址是已经确定的，现在我们就能看到地址定义为了远程机器的 IP 地址。

现在已经连接了主机，我们也就可以操作它了。但还是有一些操作需要 root 权限。为了接收到远程主机的信息（如果主机的 root 权限已经设置为允许），我们需要在终端中执行：

$ sudo -s

在输入 root-user 密码后，远程主机的连接也就通过终端确定了。你将会得到 root 权限：

我们现在已经了解了连接到一台主机所需要的一切，但这对于在主机上分析数据还是远远不够的。因此，下面我们需要了解在远程主机上获取和处理数据的基本控制命令行。

在文件系统上工作

现在让我们学一学如何在文件系统上处理数据。下面是所需要了解的命令行列表。

1. 在文件和文件夹系统工作

创建一个文件夹 dir_name：

mkdir dir_name

重命名文件夹 dir_name 为 dir_name2：

mv dir_name dir_name2

删除文件夹/文件：

rm -rf dir_name

设置：

• -r,-R：处理所有内嵌子目录。

• -i：显示每一次处理变动的确认（confirmation）。

• -f：如果错误由不存在的文件引起，不返回错误（false end）；处理不需要确认。

移除所有以 file2017 为开头的文件；符号*指代任意字符，我们可以将该符号用在任何地方指代任何缺失的字符：

rm -rf file2017*

创建文件 file_name.txt：

touch file_name.txt

重命名文件：

mv file_name.txt file_name2.txt 

2. 权限

• ls -la：查看目录下所有文件/文件夹的权限和所有权

• -l：key 扩展输出

执行文件 file 的权限：

chmod 777 file.sh

在文件夹 dir_name 中设定所有文件为 R：

chmod -R 777 dir_name - set access 777 recursively

查看更多请点击： https://ru.wikipedia.org/wiki/Chmod。

3. 所有者/群组

设置文件 file.txt 的所有者和群组：

chown ubuntu:ubuntu file.txt

递归地设置文件夹的所有者和群组：

chown -R ubuntu:ubuntu dir_name 

4. 查看磁盘空间

查看所有磁盘分区：

df -h

获取文件夹大小：

du -sh dir_name/

获取文件夹大小和子目录大小：

du -h dir_name/*

获得文件大小：

du -h filename 

下面的命令行能获取主机系统的信息：

• 查看可用随机存储器（RAM）和交换空间（swap）

free

• 控制台命令行，其显示当前系统进程与信息的列表

top/htop

现在我们已经在文件系统上运行并获取了我们需要的信息。不过在大多数情况下，这些并不是人类可读的信息。因此我们需要一些工具帮助分析数据。

当我们需要分析信息，首先就需要找到它，通常使用命令行：

find / var -name search _name

如果名字太长或未知，同样可以使用符号*。在该案例中，使用命令行：

find / var -name search_name*

我们可以在主机中查找认证日志：

一旦我们搜到了所需的文件，通常打开查看是有必要的。我们可以使用以下命令行实现：

• 文件输出目录

cat file_name

• file_name1 和 file_name2 合并为 file_name3

cat file_name1 file_name2 > file_name3

• 从 file_name 开始合并多个文件

cat file_name* > file_name_end

我们不仅同样可以为文件重定向（redirect）输出流，同时还能采用命令行用脚本完成：

• 重定向输出到复写文件

./some_script.sh > /path/to/file.txt

• 重定向输出到添加文件中

./some_script.sh >> /path/to/file.txt

在 /dev/null 中输出标准输出（STDOUT）和误差流（STDERR）

some command > /dev/null 2>&1

下一步是保存文件目录

 /var/log/auth.log

和

/var/log/auth.log.1

在

/home/auth.log

文件中进行更多的分析。

我们可以从输出看到，有太多的信息我们并不需要。现在我们需要过滤获得正好需要的信息，而该任务有一个很有用的 grep，句法展示为如下：

• 修剪 cat 的输出以得到只有行的文件 some_line。

cat file_name | grep some_line

Grep 同样能应用于命令行和脚本：

• 输出只包含误差的字符串

python run_sum_script.py | grep error

通过 sshd 滤波器，我们可以打印仅仅和 ssh 相关的授权记录：

我们同样能追踪文件的修订。当我们测试一个网页时，该方法是十分有效的。所以当查询日志或查看新的授权记录时，我们能「抓取」它。

该命令行将打印第三方应用的新纪录到文件中。

tail -f some_web_server_log

该命令同样能连同 grep 一起使用。

打印包含误差的新纪录

tail -f some_web_server_log | grep error

让我们在操作中查看一下 tail。首先，设置追踪文件

/var/log/auth.log

并使用命令行 tail

-f /var/log/auth.log | grep sshd

在每一个新连接都通过 ssh 连接到主机后，我们将显示信息和授权记录。

另一个高效的文件文本分析工具是 Awk。在该工具的帮助下，我们能轻易地处理任何文本文件格式。Awk 是一种文本语境搜索工具。现有一些方式运行 Awk 程序。如果程序非常短，那么就很容易将其包含在命令行中来运行 Awk。就如同：

awk program input-file1 input-file2 

若需要更多的信息，请阅读以下指南：http://www.gnu.org/software/gawk/manual/gawk.html

我们能使用 Awk 查看什么时候用户使用命令行通过 ssh 取得了连接。

$ awk /sshd/ && /pam_unix/ {print ($1,$2,$3,$8,$11)} /var/log/auth.log

同样还有一个高效的命令 sed。该命令复制文件（默认标准输入）到标准输出，并通过放置在 script（批处理文件或行编辑器 [而不是 shell]）中的命令编辑它们。在 flag -f 命令下，采取图像 sfilefile。如果这里只有一个设置 -e script，那么-e flag 就能够省去。Script 由编辑命令组成，一行一条，并以如下格式：

[addr [, addr]] cmd [args]

「Sed」循环地转变一个输入字符串为输出。

例如：

• 将 report.txt 文件中每一个 John 替换为 Nick。

sed s/Nick/John/g report.txt

• 移除搜索到的行

who | sed 2,4d

• 等等

考虑一些有用的命令行帮助远程主机的操作。Tar 和 zip 文档常常用于保存空间和流量（traffic）。下面的命令行都是用来处理这些的：

对于 tar：

• 在压缩时忽略示值误差（reading errors）。

tar czf new-tar-file-name.tar.gz file-or-folder-to-archive

--ignore-failed-read

• c：创建新的存档。

• z：使用 gzip 压缩一个文档。

• f：使用文档文件。

  
  
  

• 对于多目录

tar -czf new-tar-file-name.tar.gz file1 file2 folder1 folder2

tar -xzf tar-file-name.tar.gz

• x：抽取一个文档

• z：使用 gzip 解压缩一个文档

• f：使用文档文件

对于 zip：

• 压缩文件

zip file-or-folder-to-archive new-zip-file-name.zip

• 解压缩文件

unzip -d new-zip-file-name.zip

其中-d destination_folder

当然，在远程主机上工作不能在没有文件转移（在本地计算机和远程主机间）的情况下完成。为了完成这个，我们能使用以下命令：

• 下载 tar（从本地机器粘贴）

scp -r (recursive) username@server:(remote location) (local location

• 上传文件到远程服务器中

scp -r (local location) username@server:(remote location)

上文中我们借助 awk 命令的帮助通过 ssh 已经接受到了连接与非连接用户的时间。现在我们可以将其全部保存到文件中，并压缩为 tar 文件上传。

结语

在这篇文章中我们想要展示命令行接口（CLI）的多种可能性以及其如何能在数据科学上对我们有所帮助。你肯定在命令行上花了很多时间，本文旨在帮助你理解工作中使用的基本命令。

每个工具都有其用武之地，其与更大流程的结合之也会变得越发强大。现在我们有很好的了解运用 grep、sed 和 awk 等优秀的工具。在利用 SSH 协议的安全通道之后，这些工具变得越发重要，我们也希望各位读者能高效地利用它们处理数据。