从零精通Bash:Linux命令行核心概念、文本处理与自动化脚本实战

Linux Shell脚本编程从入门到精通 Shell脚本是Linux系统管理和自动化运维的核心工具,通过解释执行命令实现批量操作。其核心原理是通过管道和重定向组合各种命令行工具,形成自动化处理流程。在运维领域,Shell脚本能显著提升工作效率,常用于日志分析、系统监控、批量部署等场景。文本处理三剑客grep、sed、awk是Shell脚本的核心组件,配合流程控制和函数等编程特性,可以构建复杂的自动化解决方案。本文通过实际案例解析,展示如何编写健壮高效的Shell脚本,涵盖从基础命令到高级编程技巧的全方位内容。 阅读详情

1. 从“黑窗口”到“瑞士军刀”:重新认识Bash

很多刚接触Linux的朋友,看到那个闪烁的光标和一片漆黑的终端窗口,心里多少会有点发怵。这个被称为“Shell”或“Bash”的东西,到底是什么?它远不止是一个输入命令的“黑窗口”。你可以把它想象成Linux系统的“总控台”和“自动化流水线”。图形界面(GUI)能做的,比如管理文件、安装软件、配置网络,Bash都能做;而图形界面做不了的,比如批量重命名一千个文件、定时备份数据库、监控系统日志并自动报警,Bash更是得心应手。它是一把真正的“瑞士军刀”,一旦掌握,你将获得对系统前所未有的掌控力和效率。无论你是运维工程师、开发人员,还是数据科学家,Bash都是你绕不开的核心技能。这篇文章,我就从一个老运维的角度,带你从“会用”到“精通”,拆解Bash的每一个核心用法,分享那些手册里不会写的实战经验和避坑技巧。

2. 基础不牢,地动山摇:Bash核心概念与环境理解

在开始敲命令之前,我们必须先理解几个核心概念,这能帮你避免很多“知其然不知其所以然”的困惑。

2.1 Shell、Bash、Terminal:它们到底是什么关系?

这是一个经典的入门问题。简单来说:

  • 终端 (Terminal) :是一个程序,提供了一个输入和显示文本的窗口。它是我们与Shell交互的“界面”。就像你家的电视机屏幕。
  • Shell :是一个命令行解释器,它运行在终端里,负责理解你输入的命令,并调用系统内核来执行。它是真正干活的“大脑”。就像电视机的机顶盒或智能系统。
  • Bash (Bourne-Again SHell) :是Shell的一种,也是目前绝大多数Linux发行版的默认Shell。它功能强大,兼容性好,是我们讨论的重点。

所以,你打开一个终端窗口,里面运行着一个Bash Shell进程,等待着你输入命令。理解这个层次关系,有助于后续理解环境变量、进程、作业控制等概念。

2.2 命令的结构与执行过程

一个典型的Bash命令长这样: 命令 [选项] [参数] 。

  • 命令 :就是要执行的操作,比如 ls , cp , grep 。它可能是一个内置命令(Bash自带的),一个外部程序(位于 /bin , /usr/bin 等目录),或者一个别名/函数。
  • 选项 (Options) :通常以 - 或 -- 开头,用于修改命令的行为。例如 ls -l 的 -l 表示以长格式列表。单字符选项可以合并,如 ls -la 等价于 ls -l -a 。
  • 参数 (Arguments) :命令操作的对象,通常是文件或目录路径。例如 cp source.txt dest.txt 中的 source.txt 和 dest.txt 。

当你按下回车后,Bash会做以下几件事:

  1. 解析 :将你输入的行按空格拆分成单词,处理其中的引号、变量和特殊字符。
  2. 扩展 :进行波浪号扩展( ~ 变成家目录)、变量扩展( $HOME )、命令替换( $(command) )、通配符扩展( *.txt )等。这是Bash强大也是容易出错的地方。
  3. 重定向 :处理 > , < , >> , 2>&1 等输入输出重定向符号。
  4. 执行 :判断命令类型并执行。如果是外部程序,Bash会通过 PATH 环境变量指定的路径去查找这个程序文件,然后启动一个新的子进程来运行它。

注意 :选项和参数的位置有时很关键。例如 rm -rf dir 和 rm dir -rf 通常效果一样,但有些命令(如 tar )对顺序敏感。最安全的做法是把选项放在参数之前。

2.3 环境变量与PATH:命令从哪里来?

当你输入 ls , Bash怎么知道去哪里找这个程序?答案就是 PATH 环境变量。

echo $PATH

你会看到一串用冒号分隔的目录路径,例如: /usr/local/bin:/usr/bin:/bin 。Bash会按顺序在这些目录里查找你输入的命令。如果没找到,就会报错 command not found 。

自定义命令或脚本如何让Bash找到?

  1. 使用绝对或相对路径 :直接执行 /home/user/my_script.sh 或 ./my_script.sh (注意需要执行权限)。
  2. 添加到PATH :将你的脚本所在目录加入PATH。
    # 临时添加(仅当前Shell有效)
    export PATH=$PATH:/home/user/my_scripts
    # 永久添加,将上行写入 ~/.bashrc 或 ~/.bash_profile
    echo 'export PATH=$PATH:/home/user/my_scripts' >> ~/.bashrc
    source ~/.bashrc # 使配置立即生效
    

常用环境变量 :

  • HOME :你的家目录。
  • USER :当前用户名。
  • SHELL :当前使用的Shell路径。
  • PS1 :定义命令行提示符的格式,个性化终端的利器。

3. 效率飞跃:Bash日常操作核心技巧

掌握了基础,我们就可以开始追求效率了。下面这些技巧能让你告别重复劳动。

3.1 文件与目录操作:不止于cd和ls

ls , cd , cp , mv , rm 是基石,但它们的选项才是精髓。

  • ls 的智慧 :

    • ls -l :长列表,看权限、所有者、大小、时间。
    • ls -lh : -h 让文件大小以人类可读格式(K, M, G)显示。
    • ls -la :显示所有文件,包括隐藏文件(以 . 开头的)。
    • ls -lt :按修改时间排序,最新的在最上面。 -ltr 则是反向排序。
    • ls -d */ :只列出当前目录下的子目录。
  • cp 与 mv 的细节 :

    • cp -r source_dir dest_dir :递归复制目录。
    • cp -i file dest : -i 表示覆盖前询问,防止误操作。建议为 cp , mv , rm 设置别名默认带上 -i 。
    • mv 不仅可以移动,也是重命名文件/目录的唯一命令(在同一个目录下操作即是重命名)。
  • rm 的危险与安全 :

    • rm -rf dir :递归强制删除目录, 威力巨大,没有回收站 。
    • 安全习惯 :永远在删除前用 ls 或 echo 确认通配符匹配的结果。
      # 危险!如果当前目录为空,会变成 rm -rf /
      rm -rf /tmp/myfiles/*
      # 相对安全:先列出要删除的内容
      echo /tmp/myfiles/*
      ls /tmp/myfiles/*
      # 或者使用 `rmdir` 删除空目录,更安全
      

3.2 文本处理三剑客:grep, sed, awk

这是Bash脚本和数据处理的灵魂。它们都基于“流”的概念,即逐行处理输入文本。

  • grep :全局搜索正则表达式并打印 。核心用途是过滤。

    # 在文件中搜索包含“error”的行
    grep "error" /var/log/syslog
    # 忽略大小写
    grep -i "error" file.log
    # 显示行号
    grep -n "pattern" file.txt
    # 反向选择,打印不匹配的行
    grep -v "success" output.log
    # 使用正则表达式,匹配以“2023”开头的行
    grep "^2023" access.log
    # 递归搜索当前目录下所有文件
    grep -r "function_name" .
    
  • sed :流编辑器 。核心用途是替换、删除、插入文本。

    # 将文件中所有的“old”替换为“new”(默认只打印到屏幕,不修改原文件)
    sed 's/old/new/g' file.txt
    # 直接修改原文件(-i选项)
    sed -i 's/old/new/g' file.txt
    # 删除包含“debug”的行
    sed '/debug/d' file.txt
    # 打印第10到20行
    sed -n '10,20p' file.txt
    

    实操心得 : sed -i 会直接修改文件,务必先不加 -i 运行一次,确认输出无误后再执行真正的修改。对于重要文件,可以先备份: sed -i.bak 's/old/new/g' file.txt ,这会生成一个 file.txt.bak 备份。

  • awk :一门强大的文本分析语言 。它将每行按分隔符(默认空格)拆分成字段( $1 , $2 ... $NF )。

    # 打印文件的第一列和第三列
    awk '{print $1, $3}' data.txt
    # 使用逗号作为分隔符
    awk -F',' '{print $2}' csvfile.csv
    # 打印第一列大于100的行
    awk '$1 > 100 {print $0}' data.txt
    # 计算第一列的总和
    awk '{sum += $1} END {print sum}' data.txt
    # 打印行号(NR)和每行的字段数(NF)
    awk '{print NR, NF, $0}' file.txt
    

    awk 功能极其强大,内置变量( NR , NF , FS , OFS )和编程结构(条件判断、循环、数组)让它能处理复杂的日志分析和数据报表。

3.3 输入输出重定向与管道:组合的力量

这是Bash哲学“一个程序只做好一件事,并通过管道组合它们”的体现。

  • 重定向 :

    • command > file :将标准输出(stdout)重定向到文件,覆盖。
    • command >> file :追加到文件。
    • command 2> error.log :将标准错误(stderr)重定向到文件。
    • command &> output.log :将stdout和stderr都重定向到文件。
    • command < input.txt :从文件读取标准输入(stdin)。
  • 管道 | :将一个命令的输出作为下一个命令的输入。

    # 经典组合:查找进程并过滤
    ps aux | grep nginx
    # 分析日志:统计访问IP排名前十
    cat access.log | awk '{print $1}' | sort | uniq -c | sort -nr | head -10
    # 监控日志动态
    tail -f app.log | grep -i --color=auto "exception"
    

    注意事项 :管道中的每个命令都在一个独立的 子进程 中运行。这意味着在管道中设置的变量,在管道结束后无法被父Shell读取。如果需要,请使用进程替换或临时文件。

4. 进阶掌控:Shell脚本编程与自动化

当一系列命令需要重复执行时,就该把它们写进脚本了。

4.1 脚本编写基础:从Shebang到执行

一个最简单的脚本:

#!/bin/bash
# 这是一个注释
echo "Hello, World!"
  • 第一行 #!/bin/bash :称为Shebang,告诉系统用哪个解释器来执行这个脚本。必须放在第一行。
  • 赋予执行权限 : chmod +x script.sh
  • 执行 : ./script.sh 或 bash script.sh

4.2 变量与参数传递

  • 变量定义与使用 :

    name="Linux"
    echo $name
    echo ${name} # 大括号用于明确变量边界,推荐使用
    readonly read_only_var="Can't change" # 只读变量
    unset name # 删除变量
    

    注意 :等号两边 不能 有空格!这是新手最常见的错误之一。

  • 特殊变量 :

    • $0 :脚本名称。
    • $1 , $2 ... $9 :脚本的第1到第9个参数。
    • $# :传递给脚本的参数个数。
    • $@ :所有参数列表,每个参数都是独立的字符串(如 "$1" "$2" )。
    • $* :所有参数列表,但将所有参数视为一个字符串(如 "$1 $2" )。
    • $? :上一个命令的退出状态码(0表示成功,非0表示失败)。
    • $$ :当前Shell的进程ID(PID)。

4.3 条件判断与流程控制

  • 条件判断 [ ] 或 [[ ]] : [[ ]] 是Bash的扩展测试命令,比传统的 [ ] 更安全、功能更强(支持正则匹配 =~ ),推荐使用。

    if [[ -f "/path/to/file" ]]; then
        echo "文件存在。"
    elif [[ -d "/path/to/dir" ]]; then
        echo "目录存在。"
    else
        echo "路径不存在。"
    fi
    

    常用测试运算符 :

    • 文件测试: -f (文件存在), -d (目录存在), -r (可读), -w (可写), -x (可执行)。
    • 字符串比较: = , != , -z (字符串为空), -n (字符串非空)。
    • 数值比较: -eq , -ne , -gt , -lt , -ge , -le 。
    • 逻辑运算: && (与), || (或), ! (非)。
  • 循环 :

    # for循环
    for i in {1..5}; do
        echo "Iteration $i"
    done
    
    for file in *.txt; do
        echo "Processing $file"
    done
    
    # while循环
    count=1
    while [[ $count -le 5 ]]; do
        echo "Count: $count"
        ((count++)) # 使用双括号进行算术运算
    done
    
    # 从文件或命令输出中读取
    while IFS= read -r line; do
        echo "Line: $line"
    done < "input.txt"
    # IFS= 防止行首尾空格被修剪,-r 防止反斜杠转义
    

4.4 函数:模块化你的脚本

函数让脚本更清晰、可复用。

#!/bin/bash

# 定义函数
log_message() {
    local level="$1" # local关键字声明局部变量
    local msg="$2"
    echo "[$(date '+%Y-%m-%d %H:%M:%S')] [$level] $msg"
}

# 调用函数
log_message "INFO" "脚本开始执行。"

# 函数可以返回值(通过退出状态码或echo)
calculate_sum() {
    local a=$1
    local b=$2
    echo $((a + b)) # 使用echo“返回”结果
}

result=$(calculate_sum 10 20) # 命令替换捕获输出
log_message "DEBUG" "计算结果:$result"

5. 实战疑难排查与高级技巧实录

理论说再多,不如踩几个坑来得实在。下面是我在多年运维中积累的一些典型问题和高级用法。

5.1 常见问题速查表

问题现象 可能原因 排查命令与解决方案
command not found 1. 命令拼写错误。
2. 命令未安装。
3. PATH 环境变量未包含命令所在目录。
1. which command 或 type command 查看命令位置。
2. 使用包管理器安装( apt install , yum install )。
3. echo $PATH 检查,并修正 .bashrc 。
Permission denied 当前用户对文件/目录缺乏执行(x)、读(r)或写(w)权限。 ls -l file 查看权限。使用 chmod 修改权限(如 chmod +x script.sh )。慎用 chmod 777 。
Syntax error: unexpected end of file 脚本语法错误,通常 if/for 等语句缺少结束关键字( fi , done )。 使用 bash -n script.sh 检查脚本语法。仔细核对代码块是否闭合。
脚本中变量值为空 1. 变量未赋值。
2. 变量作用域问题(如在管道子进程中赋值)。
3. 引号使用不当导致变量扩展未发生。
1. 使用 set -u 让Bash对未定义变量报错。
2. 避免在管道中修改变量,改用进程替换 <() 或临时文件。
3. 理解双引号 "$var" (扩展变量)和单引号 '$var' (不扩展)的区别。
Argument list too long 使用通配符 * 时匹配的文件数量过多,超出系统参数长度限制。 使用 find 命令代替通配符,或使用 xargs 分批处理。
find . -name "*.log" -exec rm {} \;
脚本执行效率低下 在循环中频繁调用外部命令(如 grep , awk )。 尽量使用Shell内置功能,或将数据一次性读入再用Shell处理,或直接使用 awk / sed 完成整个循环逻辑。

5.2 高级技巧与避坑指南

  1. 使用 set -euo pipefail 让你的脚本更健壮 在脚本开头加上这行“安全咒语”,能避免很多隐蔽的错误。

    • set -e :任何命令失败(返回非0状态)立即退出脚本。
    • set -u :遇到未定义的变量时报错并退出。
    • set -o pipefail :管道中任何一个命令失败,整个管道就视为失败。
    #!/bin/bash
    set -euo pipefail
    # 你的脚本内容...
    

    注意 :有时你可能需要故意忽略某些命令的错误(比如 rm 一个可能不存在的文件),可以用 command || true 来达成。

  2. 通配符与引号的微妙之处

    # 危险!如果当前目录没有.txt文件,会直接传递字符串"*.txt"给rm
    rm *.txt
    # 更安全的做法:使用nullglob选项
    shopt -s nullglob
    files=(*.txt)
    if [[ ${#files[@]} -gt 0 ]]; then
        rm "${files[@]}"
    fi
    

    双引号用于保护变量扩展,防止单词被拆分和通配符被展开。几乎任何时候,你都应该把变量放在双引号里: "$variable" 。

  3. 进程替换:强大的管道替代品 当你需要将一个命令的输出作为另一个命令的 文件参数 (而非标准输入)时,就用进程替换。

    # 比较两个目录的文件差异
    diff <(ls dir1) <(ls dir2)
    # 将grep的结果作为另一个grep的输入文件
    grep "pattern1" file.txt | grep "pattern2" # 这是管道,两个grep串联
    grep "pattern2" <(grep "pattern1" file.txt) # 进程替换,逻辑更清晰
    
  4. 使用 trap 捕获信号,实现优雅清理 脚本可能被 Ctrl+C (SIGINT)或 kill 命令中断。使用 trap 可以捕获这些信号,执行清理工作(如删除临时文件)。

    #!/bin/bash
    temp_file="/tmp/mytemp.$$"
    cleanup() {
        echo "正在清理临时文件..."
        rm -f "$temp_file"
    }
    trap cleanup EXIT INT TERM # 在脚本退出、收到中断或终止信号时执行cleanup函数
    # 创建临时文件并操作
    echo "Some data" > "$temp_file"
    # ... 脚本其他操作 ...
    
  5. 调试脚本的利器

    • bash -x script.sh :以调试模式运行,打印出每一行执行前的命令(展开后)。
    • 在脚本中插入 set -x 和 set +x 来只调试特定代码块。
    • 使用 echo 或 printf 打印关键变量的值。
    • 对于复杂脚本,可以考虑使用专门的Shell调试器(如 bashdb )。

Bash的学习是一个持续的过程,它的深度远超许多人的想象。我的建议是,从日常重复性工作开始,尝试用脚本去自动化它。遇到问题,多查手册( man bash , man command ),多实践。久而久之,你就会发现,这个“黑窗口”不再是障碍,而是你手中最得力的效率工具,让你在Linux的世界里游刃有余。最后分享一个我自己的习惯:为自己常用的复杂命令创建有意义的别名(Alias)或Shell函数,并保存在 ~/.bashrc 中,这能极大提升你的终端使用体验。比如 alias ll='ls -alF' , alias grep='grep --color=auto' 。

精通Linux与Unix Shell:命令行界面与脚本编写指南 Shell是介于用户和Linux/Unix内核之间的接口,它提供了用户与计算机交互的界面。Shell接收用户的命令,调用相应的系统资源,然后将结果返回给用户。在Linux/Unix系统中,Shell不仅执行命令,还可以编写脚本来自动化任务、管理进程和文件,是系统管理员和开发者的得力工具。Shell的存在使得用户不必直接与复杂的系统调用和底层接口打交道,而是可以通过简洁的命令行来控制计算机。 阅读详情

相关推荐

EasyUI开发案例集合

EasyUI开发案例集合,ASP.NET UI框架源码,共同借鉴学习。

使用Jquery+EasyUI进行框架项目开发案例解说之中的一个---员工管理源代码分享

 使用Jquery+EasyUI 进行框架项目开发案例解说之中的一个员工管理源代码分享   在開始解说之前,我们先来看一下什么是Jquery EasyUI?jQuery EasyUI是一组基于jQuery的UI插件集合,而jQuery EasyUI的目标就是帮助web开发人员更轻松的打造出功能丰富而且美观的UI界面。开发人员不须要编写复杂的javascript,也不须要对css样式有深入的了解...

weixin_33720078的博客 433

用EasyUI + localStorage做一个简易学生管理系统

用EasyUI + localStorage做一个简易学生管理系统,1.进入主页面(提示登陆)==>账号密码输入正确,登陆成功,进入信息管理页面(有学生管理,课程管理及教师管理)2.进入主页面(提示登陆)==>无账号,进入注册页面==>注册成功跳转登陆页面==>登陆成功,进入信息管理页面(有学生管理,课程管理及教师管理); 注:使用localStorage和ajax。有本地存储功能, 注:需使用服务器 注:需使用服务器 注:需使用服务器 不明白可咨询。。。

使用Jquery+EasyUI 进行框架项目开发案例讲解之二 用户管理源码分享

在上一篇文章《使用Jquery+EasyUI进行框架项目开发案例讲解之一---员工管理源码分享》我们分享了使用Jquery EasyUI来进行开发的相关方法,同时对入群的用户提供了使用Jquery EasyUI开发的框架案例提供了测试地址进行在线测试,文章发表后得到了非常多的反馈,对后期版本的改进提供了很好的帮助,在此感谢!整个文章皆在说明如何使用RIDFramework.NET进行管理类信息

技术资料收集站 954

jQuery公司部门员工分组代码.zip

jQuery公司部门员工分组代码,点击选择员工编号,可全选和清空。

深度学习赋能胶囊内镜:AI如何实现胃肠道出血的自动检测与分割

在计算机视觉领域,图像分类与目标检测是处理医学影像分析的核心技术。其原理在于通过卷积神经网络(CNN)自动学习图像中的多层次特征表示,实现对特定目标的识别与定位。这项技术的价值在于能够将医生从海量、重复的阅片工作中解放出来,提升诊断效率与一致性,尤其在处理如胶囊内镜产生的数万张连续图像时优势显著。其应用场景广泛覆盖了医学影像的辅助诊断,例如在消化内科,对胃肠道出血的早期发现与精准定位具有重要临床意义。本文聚焦于利用深度学习模型,如U-Net和EfficientNet,构建一个能够从复杂多变的胶囊内镜图像中,

weixin_42533910的博客 418

BaseToolbar :给你一个通用的Toolbar,一行代码搞定标题栏

相信大家对Toolbar已经很熟悉了,因为页面中基本少不了标题栏。每写一个页面就要设置一堆标题菜单什么的,简直想吐血啊有没有。 现在有了一个通用的Toolbar,让你分分钟摆脱烦躁的Toolbar设置,废话不多说,直接 传送门 biu:https://github.com/MirkoWu/BaseToolbar 懒人福利可直接依赖 implementation ‘com.mirkow...

MirkoWug的博客 1078

ZYNQ Linux环境下PS端I2C驱动OV5640摄像头全流程解析

本文详细解析了在ZYNQ Linux环境下,通过PS端I2C驱动OV5640摄像头的完整流程。内容涵盖从Vivado硬件配置、PetaLinux系统构建、设备树节点添加,到用户空间I2C编程与寄存器配置实战,并提供了关键的调试技巧与常见问题排查方法,帮助开发者快速实现嵌入式视觉应用的传感器配置。

vulkan6gpu的博客 857

【推荐】使用Jquery+EasyUI进行框架项目开发案例讲解之一---员工管理源码分享

 使用Jquery+EasyUI 进行框架项目开发案例讲解之一 员工管理源码分享     在开始讲解之前,我们先来看一下什么是Jquery EasyUI?jQuery EasyUI是一组基于jQuery的UI插件集合,而jQuery EasyUI的目标就是帮助web开发者更轻松的打造出功能丰富并且美观的UI界面。开发者不需要编写复杂的javascript,也不需要对css样式有深入的了解,开发...

weixin_34293059的博客 347

GNSS差分码偏差(DCB)从原理到实战:如何避免数据处理中的常见错误

本文深入解析GNSS差分码偏差(DCB)的原理及其对高精度定位的关键影响。针对数据处理中因忽略DCB校正导致的常见错误,如单系统PPP高程偏差、多系统融合精度下降及电离层研究失真等,提供了实战解决方案与主流DCB产品获取、集成方法,帮助用户有效规避陷阱,提升数据处理精度。

k5l6m的博客 227

医疗领域BGE-M3模型微调全流程:从数据准备到效果评估

本文详细介绍了医疗领域BGE-M3模型的微调全流程,从数据准备到效果评估。通过医疗数据微调,BGE-M3模型在临床问答、病历检索等场景中表现显著提升,能够准确理解医学术语之间的细微差别。文章还提供了实战练习代码和效果评估指标,帮助开发者快速掌握医疗文本嵌入模型的应用技巧。

weixin_29098367的博客 285

使用Jquery+EasyUI 进行框架项目开发案例讲解之二---用户管理源码分享

使用Jquery+EasyUI 进行框架项目开发案例讲解之二 用户管理源码分享    在上一篇文章《使用Jquery+EasyUI进行框架项目开发案例讲解之一---员工管理源码分享》我们分享了使用Jquery EasyUI来进行开发的相关方法,同时对入群的用户提供了使用Jquery EasyUI开发的框架案例提供了测试地址进行在线测试,文章发表后得到了非常多的反馈,对后期版本的改进提供了很好...

.NET快速开发框架 250

逆向小记 bd-ticket-guard-client-cert | bd-ticket-guard-client-data 通过现象看本质

依然没什么花哨的直接解析出来,既然这是个X509证书,那么要么是服务器下发,要么是自己生成喽,但是如果是本地直接生成,那服务器还校验个鬼哦!既然是服务器下发的,那服务器又是怎么校验这个证书是自己下发的呢,这就要讲到CA验证了,首先根据上图我们发现证书的Issuer"(颁发者)是。怎么来的呢,因为涉及到逆向咱就不讲了,其实也是涉及到非对称加密的,就是客户端用私钥去签名数据,服务器用上传过去的证书公钥验签的过程!当服务器收到这个证书的时候,会做几件事,首先用自己的公钥解开签名获得解密后的证书hash。

2503_90751789的博客 1215

Bash Shell:从入门到精通

本书旨在将读者从对命令行一无所知的“入门者”培养成能够利用Shell解决复杂问题的“精通者”。内容编排遵循认知规律,从基础概念到高级应用,从技术细节到思想哲学,层层递进,理论与实践紧密结合,强调“知其然,更知其所以然”。

YunWisdom 2486

40-基于STM32与LD3320的智能语音调光台灯开发全攻略(代码+硬件+调试心得)

本文详细介绍了基于STM32与LD3320的智能语音调光台灯开发全攻略,包括硬件设计、软件实现和调试心得。项目利用STM32单片机控制LD3320语音识别模块,实现语音控制开关和PWM调光功能,适合非接触式操作场景。文章还分享了硬件选型、PWM调光算法优化及常见问题解决方案,为开发者提供完整参考。

weixin_29163797的博客 328

数据服务:数据服务框架Magic-API 介绍及实践

接口快速开发框架 基于Java的接口快速开发框架,编写接口将通过magic-api提供的UI界面完成,自动映射为HTTP接口,无需定义Controller、Service、Dao、Mapper、XML、VO等Java对象即可完成常见的HTTP API接口开发 。在线页面快速开发平台 基于 vue 的在线页面快速开发平台,主要把所有的 vue 代码都改为在线配置,最终获得一个 json 格式的页面新一代爬虫平台 基于Java实现的新一代爬虫平台,以图形化方式定义爬虫流程,不写代码即可完成爬虫。今天给大家安利一

GIS摆渡人 2071

如何快速掌握Bash脚本自动化服务器配置:Ansible与Bash结合的终极指南

在现代服务器管理中,自动化配置已成为提升效率的关键。GitHub推荐项目精选中的awesome-bash项目(A curated list of delightful Bash scripts and resources)汇集了丰富的Bash脚本和资源,为服务器自动化配置提供了强大支持。本文将详细介绍如何将Ansible与Bash脚本结合,实现高效、可靠的服务器自动化配置,特别适合新手和普通用户快

gitblog_00750的博客 1144

Arduino与震动马达模块握手

震动马达模块采用采用高品质手机震动马达,适用于震动感互动产品的制作,可穿戴智能设备震动提醒,适合作为非可听指示器的小型振动马达。当输入为高电平时电动机会震动,就像你的静音模式的手机一样。

vor234的博客 5853

Shell脚本编程实战:从入门到精通,掌握自动化运维核心技能

Shell脚本是Linux与Unix系统环境下的核心自动化工具,其本质是一种命令解释器脚本语言,通过调用系统命令和程序,将一系列手动操作流程固化为可重复执行的自动化任务。其技术价值在于极大地提升了系统管理、数据处理和任务调度的效率,是连接操作系统与应用层的关键“胶水”。在应用场景上,Shell脚本广泛应用于服务器运维自动化、日志分析处理、CI/CD流水线任务、批量文件操作以及系统监控告警等日常工程实践。本文聚焦于Shell脚本编程实战,系统讲解从变量定义、流程控制到函数封装的核心语法,并深入剖析文本处理“三

weixin_33985507的博客 453

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Shell脚本从入门到精通:自动化运维与文本处理实战指南

Shell脚本作为系统自动化与流程编排的核心工具,其本质是将操作系统内核能力与命令行工具无缝粘合,实现重复性任务的自动化处理。从基础语法到高级特性,Shell脚本通过变量、条件判断、循环和函数等机制,构建出健壮的自动化解决方案。在运维领域,Shell脚本广泛应用于日志分析、备份监控、环境部署等场景,其文本处理能力尤为突出,结合grep、sed、awk等工具可高效处理结构化数据。本文聚焦Shell脚本的实战应用,涵盖错误处理、并发控制、性能优化等关键技巧,并针对变量引用、通配符扩展等常见陷阱提供解决方案,帮助

leonard61306500的专栏 387

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Shell脚本实战指南:从入门到精通,掌握运维自动化核心技能

Shell脚本作为Linux系统运维和自动化任务的核心工具,其本质是通过命令行解释器执行一系列预定义指令,实现流程自动化。其技术价值在于高效组合系统命令,充当不同工具间的“胶水”,将重复、易错的手工操作转化为可靠、可复用的自动化流程。在应用场景上,Shell脚本广泛应用于文件批量处理、系统监控告警、自动化部署、日志分析等日常运维工作。通过掌握变量、循环、函数及文本处理三剑客(grep、sed、awk)等核心要素,结合最佳实践避开常见陷阱,可以构建健壮的生产级脚本。本文以实战为导向,深入解析Shell脚本编程

weixin_34161083的博客 403

10个高效Linux终端技巧:从入门到精通的命令行完全指南

命令行操作是提升工程师工作效率的关键技能,尽管常被忽视,但其灵活性和强大功能能显著优化日常工作流程。《The Art of Command Line》项目(GitHub_Trending/th/the-art-of-command-line)正是这份终极指南的完美实践,它汇集了从基础操作到高级技巧的全面知识,帮助用户真正掌握Linux终端的使用艺术。 ## 为什么要学习命令行? 在图形界面主导

gitblog_00155的博客 704

shell脚本从入门到精通001

将你在日常工作中任何重复性的、机械的操作,都尝试用 Shell 脚本将其自动化。这个过程本身就是最好的学习和精进。: 熟悉 Linux 基础操作,理解 Shell 环境,能够执行简单命令和编写最基础的脚本。: 系统学习 Shell 脚本的语法,能够编写具有逻辑判断和循环功能的脚本。: 关注代码风格、性能、可移植性和安全性,编写工业级脚本。: 学习高级特性和文本处理工具,编写高效、实用的脚本。

m0_72165397的博客 798

Linux命令行大全:从终端新手到系统掌控者(非常详细)从零基础到精通,收藏这篇就够了!

获取当前内核配置模板# 菜单化配置make menuconfig # 启用BTRFS/BTF等特性# 编译安装(16线程优化)

leah126的博客 1997
上一篇: Multi-Agent系统核心协作模式解析与工程实践指南
下一篇: SAP MM模块零基础入门:从供应链业务到ERP实施的完整学习路径
weixin_30460489
博客等级 码龄11年 102粉丝 1433原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址