導讀：Linux以其強大的命令行稱霸江湖，Shell命令是數據極客的必修兵器。探索性數據分析，在需求和數據都不太明確的環境下，使用各種命令進行一次探索與挖掘。從基礎的文件查看到簡單的統計，再到一些常用的探索性分析命令，其目的都只是爲了更好的做數據分析與挖掘而已。
01 Shell命令行
對於經常和數據打交道的人來說，數據工程師應該也是常常和Linux打交道。Linux以其強大的命令行稱霸江湖，因此，Shell命令也是數據極客的必修兵器。
利用Linux命令行的幾個命令，就可以完成一些簡單的統計分析工作，比如利用wc命令統計文件行，單詞數，字符數，利用sort排序和去重，再結合uniq可以進行詞頻統計。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，瞭解一下文件的大概格式與內容，發現每行爲一個單詞。現在需要統計這些單詞出現的頻率，以及顯示出現次數最多的5個單詞。
先對文件進行排序，這樣相同的單詞在緊挨着的行，再後uniq -c 命令，統計不同的單詞及各個單詞出現的次數。這樣得到的結果就是次數後面緊接着單詞，然後使用sort -nr對次數進行排序，並逆序顯示，最後head命令顯示結果的前5行。
非常簡單的一種方式，讀取文件，排序，統計，再對統計結果進行逆序，最後只顯示前幾個結果。
類似於sql語句：
select word,count(1) cnt
from file
group by word
order by cnt desc
limit 5;
如果對sql語句熟悉的話，上面的形式應該更容易理解。雖然實現的思想和方式非常簡單，但在實際的探索性數據分析中使用卻非常頻繁。
02 探索性分析
比如在日誌分析中，有時並沒有非常明確的目標，或者即使有明確的目標，通常各種數據也並沒有明確的定義。比如，別人丟給你一個壓縮文件，說想分析一下里面有哪些是異常的訪問請求。任務描述就是這樣，沒有更明確的了。
拿到日誌文件和這樣的分析任務，就需要進行各種可能的探索性分析。先看一下文件的格式，是否壓縮過，使用gzip壓縮還是tar壓縮。解壓後，需要先大概瞭解一下，文件是什麼樣的格式。對於網絡請求的日誌文件，是一行一個請求和響應，還是多行一個請求和響應。查看文件有多少行，查看文件佔用空間大小。如果解壓後包含多個目錄或者文件，同樣的一個命令，更能發揮強大效果。此時，通常需要如下命令：
gzip/tar：壓縮/解壓
cat/zcat：文件查看
less/more：文件查看，支持gz壓縮格式直接查看
head/tail：查看文件前/後10行
wc：統計行數、單詞數、字符數
du -h -c -s：查看空間佔用
上面有一個比較有趣的命令組，less和more，這兩個都可以分頁查看文件。最開始有的more命令，好像是當時more不支持向後翻頁。於是一幫人就在此基礎上進行了改進，直接叫less，和more同樣的功能只是更強大些。因此，也發展出了“less is more”的哲學，“少即是多”，而且少比多更好。這種思想，在產品設計與代碼優化中都有體現。
瞭解文件的大概信息後，可能需要提取一行中某個字段的內容，或者需要搜索某些行出來，或者需要對某些字符或者行進行一定的修改操作，或者需要在衆多的目錄和文件中找出某此天的日誌（甚至找到後需要對這些天的日誌進行統一處理），此時下面這些命令可以幫你：
awk：命令行下的數據庫操作工具
join/cut/paste：關聯文件/切分字段/合併文件
fgrep/grep/egrep：全局正則表達式查找
find：查找文件，並且對查找結果批量化執行任務
sed：流編輯器，批量修改、替換文件
split：對大文件進行切分處理，按多少行一個文件，或者多少字節一個文件
rename：批量重命名(Ubuntu上帶的perl腳本，其它系統需要安裝)，使用-n命令進行測試
如：
# 解壓縮日誌
$ gzip -d a.gz
$ tar zcvf/jcvf one.tar.bz2 one
# 直接查看壓縮日誌
$ less a.gz
# 無需先解壓
另外，以z開頭的幾個命令可以簡單處理gzip壓縮文件, 如zcat：直接打印壓縮文件，還有zgrep/zfgrep/zegrep，在壓縮文件中直接查找。
# 查詢字符串，並顯示匹配行的前3行和後3行內容
fgrep 'yunjie-talk' -A 3 -B 3 log.txt
# 在當前目前(及子目錄)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的一些區別：
fgrep按字符串的本來意思完全匹配，裏面的正則元字符當成普通字符解析， 如： fgrep “1.2.3.4″ 則只匹配ip地址： 1.2.3.4, 其中的.不會匹配任意字符。fgrep當然會比grep快多了。寫起來又簡單，不用轉義。
grep只使用普通的一些正則，egrep或者grep -E使用擴展的正則，如
egrep "one|two", 匹配one或者two
grep -E -v ".jpg|.png|.gif|.css|.js" log.txt |wc -l
查找所有來自日本的ip的請求，先把所有來源ip取出來，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
對hive中導出的文件，替換01
cat 0000* | sed 's/x1/ /g' > log.txt
03 其它常用命令
如果文件編碼是從windows上傳過來的gb2312編碼，需要處理成utf8的編碼，或者某個日誌被黑客後來修改過了，需要和原來的備份數據進行對比，這些工作都是需要數據工程師自己能熟悉的掌握。
假如日誌文件是最近一年的請求日誌，那麼可能是按天或者按小時進行單獨存放，此時如果只需要提取某些天（比如週末）的數據，很可能需要處理時間。
因此，下面的一些命令或者工具就很有用了：
date：命令行時間操作函數
sort/uniq：排序、去重、統計
comm：對兩個排序文件進行按行比較（共同行、只出現在左邊文件、只出現在右邊文件）
diff：逐字符比較文件的異同，配合cdiff，類似於github的顯示效果
curl/w3m/httpie：命令行下進行網絡請求
iconv：文件編碼轉換，如：iconv -f GB2312 -t UTF8 1.csv > 2.csv
seq：產生連續的序列，配合for循環使用
輸出今天/昨天的日期字符串
$ date -d today +%Y%m%d
20160320
$ date -d yesterday +%Y%m%d
20160319
對unix秒的處理
# 當前的時間
$ date +%s
1458484275
$date -d @1458484275
Sun Mar 20 22:31:15 CST 2016
兩個文件a.txt, b.txt求只出現在a.txt中的數據：
# 排序兩個文件
$ sort a.txt > a.txt.sort
$ sort b.txt > b.txt.sort
# 求只出現在c.sh中的內容
$ comm -2 -3 a.txt.sort b.txt.sort
04 批量操作
對上面的文件進行了一番探索分析後，可能已經有一定的線索或者眉目了，需要更進一步的處理大量的文件或者字段了。此時的步驟也許是一個消耗時間的過程，也許是一個需要看緣分的過程。總之，可能需要綜合上面的一些命令，並且對大量的日誌進行處理。
這也是體現Shell更強大的一面——批量化的功能了。命令比圖形界面的最大優勢就是，只需熟悉了，就很容易實現批量化操作，將這些批量化的命令組合成一個文件，於是便產生了腳本。
批量化命令或者腳本，熟悉幾個常用的流程控制，就能發揮出強大的性能：
if條件判斷：
if [ -d ${base_d} ];
then mkdir -p ${base_d};
fi
while循環：
while
do
do_something;
done
for循環（用得很多）：
for x in *.log.gz;
do
gzip -d ${x};
done
這幾個條件判斷與循環，也可以直接在命令行下使用，區別是多加幾個分號隔開即可。
另外，執行長時間的任務，最好直接用nohup來操作。
生成過去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
有目錄和文件如下：
20160320 目錄
10.1.0.1_20160320*.log.gz 目錄
201603200000.log.gz 文件
201603200010.log.gz 文件
10.1.0.2_20160320*.log.gz 目錄
201603200000.log.gz 文件
201603200010.log.gz 文件
需求：去掉目錄中的*.log.gz，這樣很容易讓人誤解爲文件。 rename -n爲測試，rename使用和sed相同的語法。
$ for d in 201603??;do echo ${d}; cd ${d}; rename -n 's/*.log.gz//' *.log.gz ; cd ..;done
測試完成後，使用rename不加-n爲真正執行重命名操作。
05 結尾
這兒只是簡單列舉了一些數據分析或者數據處理相關的命令，只能算是Linux的Shell那博大精深的命令中的冰山一角。
但如果能把這些相關的命令融會貫通，並且能實際使用的話，也算是在數據極客之路上多走了一步。
從基礎的文件查看到簡單的統計，再到一些常用的探索性分析命令，其目的都只是爲了更好的做數據分析與挖掘而已。能綜合這些命令，並組合起來使用，將命令存放到文件，即產生了Shell腳本。Shell腳本本身也是一門強大的學問了，其中各個命令還有每個命令支持的參數，值得慢慢研究。
