常用命令大全(压缩解压命令+动图效果展示)

简介: 常用命令大全(压缩解压命令+动图效果展示)

🏀1. 常用压缩解压命令

🥏1. 1 gzip && gunzip(gzip -d)

🥅命令名称:gzip

语法:gzip [文件]


功能描述:压缩文件


压缩后文件格式:.gz


❤️范例:


    ⭐️gzip boduo


         把boduo文件进行打包压缩,生成boduo.gz文件


❤️动图效果展示:

f871b55c25db4396b8326866996ef386.gif



⭐️对于gzip只能压缩文件,不能压缩目录


⭐️对于gzip压缩后,不会保留原文件


🥅命令名称:gunzip  [= gzip -d]


语法:gunzip [压缩文件]


功能描述:解压缩.gz的压缩文件


❤️范例:


    ⭐️gunzip boduo.gz  或者 gzip -d boduo.gz


         把生成boduo.gz文件进行解压


❤️动图效果展示:

eea5187521b54565a96ff4e3c59c0d44.gif



⭐️对于gzip压缩的文件,我们可以用gunzip或者gzip -d来解压;解压后不会保留原压缩文件的格式


🥏1. 2 zip && unzip

🥅命令名称:zip


语法:zip  选项[-r]  [压缩后文件名]  [文件或目录]          


         -r    压缩目录


功能描述:压缩文件或目录


压缩后文件格式:.zip


❤️范例:        


  ⭐️zip  buduo.zip  boduo            


      压缩boduo文件,生成boduo.zip文件        


  ⭐️zip  -r  japan.zip  japan            


     压缩japan目录,生成japan.zip文件 (现在不加-r也可以压缩目录了)


❤️动图效果展示:


486b17a8ae0e46b78d2f6668a527b070.gif


⭐️对于zip既能压缩文件,也能压缩目录


⭐️对于zip压缩后,会保留原文件


🥅命令名称:unzip

语法:unzip  [压缩文件]


功能描述:解压.zip的压缩文件


❤️范例:        


  ⭐️unzip  buduo.zip        


      解压生成boduo.zip文件        


  ⭐️unzip   japan.zip        


      解压生成japan.zip文件


❤️动图效果展示:


7a077a6669414ea1affbdda9d70cd7f9.gif


⭐️对于zip压缩的文件,我们可以用unzip来解压;解压后会保留原压缩文件的格式


🥏1. 3 tar

🥅命令名称:tar


语法:tar  选项[-zcvf] [压缩后文件名] [目录]                                  


        -c    打包                


        -v    显示详细信息                


        -f     指定文件名          


        -z     打包同时压缩


功能描述:压缩文件或目录


压缩后文件格式:.tar.gz


❤️动图效果展示:    


4bc7a8bbdffc4a9889d5b6d4a97617fc.gif


⭐️对于tar压缩既能压缩文件也能压缩目录


⭐️对于tar压缩后会保留原文件,比gzip更加的实用


对于tar压缩的文件想要解压,直接把参数c换成x就行了,tar -zxvf  boduo.tar.gz


❤️动图效果展示:

561beaddcdf44f9492e925dd5d158ac1.gif


⭐️对于tar压缩的文件;解压后会保留原压缩文件的格式


🥏1. 4 bzip2 && bunzip2

🥅命令名称:bzip2


语法: bzip2  选项 [-k] [文件]                      


          -k   产生压缩文件后保留原文件


功能描述:压缩文件


压缩后文件格式:.bz2


bzip2相当于gzip的升级版,多了一个-k参数压缩时可以保留原文件


❤️范例:


   ⭐️bzip2 boduo


        压缩boduo文件,生成boduo.bz2文件;和gzip效果一样的


  ⭐️bzip2 -k  longze


        压缩longze文件,生成longze.bz2文件,并保留了原文件;是gzip的升级


❤️动图效果展示:


8c76870d6cfd4b4e9627472cec71cc9f.gif


⭐️对于bzip2只能压缩文件,不能压缩目录


⭐️对于bzip2压缩后,加上参数-k才会保留原文件


🥅命令名称:bunzip2


语法: bunzip2  选项 [-k] [压缩文件]                              


          -k   解压缩后保留原压缩文件


功能描述:解压.bz2的压缩文件


❤️范例:


   ⭐️bunzip2 boduo.bz2


      解压生成boduo.bz2文件;和gzip效果一样的


  ⭐️bunzip2 -k  longze.bz2


       解压生成longze.bz2文件,并保留了原压缩文件;是gzip的升级


❤️动图效果展示:


db8e8d5a7dd04132903fdfa6bcec5cc1.gif


⭐️对于bzip2压缩的文件,我们可以用bunzip2来解压;也可以加上-k参数,让解压后会保留原压缩文件的格式


相关文章
|
开发工具 git
Gitlab/GitHub:迁移代码,并保留历史记录
Gitlab/GitHub:迁移代码,并保留历史记录
Gitlab/GitHub:迁移代码,并保留历史记录
|
固态存储 计算机视觉 异构计算
一起来学MediaPipe(一)人脸及五官定位检测
一起来学MediaPipe(一)人脸及五官定位检测
4132 0
一起来学MediaPipe(一)人脸及五官定位检测
|
SQL 存储 关系型数据库
【MySQL】——关系数据库标准语言SQL(大纲)
【MySQL】——关系数据库标准语言SQL(大纲)
【MySQL】——关系数据库标准语言SQL(大纲)
|
存储 人工智能 自然语言处理
边缘智能的新时代:端侧大模型的研究进展综述
【10月更文挑战第9天】随着人工智能的发展,大语言模型在自然语言处理领域取得突破,但在资源受限的边缘设备上部署仍面临挑战。论文《On-Device Language Models: A Comprehensive Review》全面综述了端侧大模型的研究进展,探讨了高效模型架构、压缩技术、硬件加速及边缘-云协作等解决方案,展示了其在实时、个性化体验方面的潜力,并指出了未来的研究方向和挑战。
1127 2
|
机器学习/深度学习 边缘计算 PyTorch
PyTorch 与 ONNX:模型的跨平台部署策略
【8月更文第27天】深度学习模型的训练通常是在具有强大计算能力的平台上完成的,比如配备有高性能 GPU 的服务器。然而,为了将这些模型应用到实际产品中,往往需要将其部署到各种不同的设备上,包括移动设备、边缘计算设备甚至是嵌入式系统。这就需要一种能够在多种平台上运行的模型格式。ONNX(Open Neural Network Exchange)作为一种开放的标准,旨在解决模型的可移植性问题,使得开发者可以在不同的框架之间无缝迁移模型。本文将介绍如何使用 PyTorch 将训练好的模型导出为 ONNX 格式,并进一步探讨如何在不同平台上部署这些模型。
1376 2
|
Java Android开发
解决Android编译报错:Unable to make field private final java.lang.String java.io.File.path accessible
解决Android编译报错:Unable to make field private final java.lang.String java.io.File.path accessible
3269 1
|
存储 Python
数据包络分析(Data Envelopment Analysis, DEA)详解与Python代码示例
数据包络分析(Data Envelopment Analysis, DEA)详解与Python代码示例
|
机器学习/深度学习 存储 安全
基于YOLOv8深度学习的行人跌倒检测系统【python源码+Pyqt5界面+数据集+训练代码】目标检测
基于YOLOv8深度学习的行人跌倒检测系统【python源码+Pyqt5界面+数据集+训练代码】目标检测
|
机器学习/深度学习 编解码 文字识别
【开源】轻松实现车牌检测与识别:yolov8+paddleocr【python源码+数据集】
【开源】轻松实现车牌检测与识别:yolov8+paddleocr【python源码+数据集】
|
人工智能 运维 Serverless
【云故事探索】NO1:看森马服饰,在阿里云上如何用AI实现创新?
在数字化转型中,云计算成为企业创新的关键驱动力。森马服饰借助阿里云函数计算,应对新零售挑战,实现业务模式重塑和效率提升。面对AI技术落地的困难,如高成本、长决策周期和复杂运维,森马通过阿里云的Serverless解决方案,快速将AI融入核心业务,优化了从设计到营销的全链条流程。通过函数计算,森马降低了AI项目初期的硬件投入和运维难题,提升了设计师的工作效率,将设计时间从3天缩短到30秒,实现了服装设计和营销的智能化升级。