大数据技术之Shell(1)

简介: 大数据技术之Shell(1)

1 Shell概述

大数据程序员为什么要学习Shell呢?

1)需要看懂运维人员编写的Shell程序。

2)偶尔会编写一些简单Shell程序来管理集群、提高开发效率。

202103141015332.png

2 Shell解析器

(1)Linux提供的Shell解析器有:

[oldlu@hadoop101 ~]$ cat /etc/shells 
/bin/sh
/bin/bash
/sbin/nologin
/bin/dash
/bin/tcsh
/bin/csh

20210315084706232.png

(2)bash和sh的关系

[oldlu@hadoop101 bin]$ ll | grep bash
-rwxr-xr-x. 1 root root 941880 5月  11 2016 bash
lrwxrwxrwx. 1 root root      4 5月  27 2017 sh -> bash
(3)Centos默认的解析器是bash
[oldlu@hadoop102 bin]$ echo $SHELL
/bin/bash

2021031508503511.png

20210315085308117.png

sh是bash软链接,最终sh还是调用的是bash

3 Shell脚本入门

1.脚本格式

脚本以#!/bin/bash开头(指定解析器)

2.第一个Shell脚本:helloworld

(1)需求:创建一个Shell脚本,输出helloworld

(2)案例实操:

[oldlu@hadoop101 datas]$ touch helloworld.sh
[oldlu@hadoop101 datas]$ vi helloworld.sh

在helloworld.sh中输入如下内容

#!/bin/bash
echo "helloworld"

(3)脚本的常用执行方式

第一种:采用bash或sh+脚本的相对路径或绝对路径(不用赋予脚本+x权限)

sh+脚本的相对路径

[oldlu@hadoop101 datas]$ sh helloworld.sh 
Helloworld
sh+脚本的绝对路径
[oldlu@hadoop101 datas]$ sh /home/oldlu/datas/helloworld.sh 
helloworld
bash+脚本的相对路径
[oldlu@hadoop101 datas]$ bash helloworld.sh 
Helloworld
[oldlu@hadoop101 datas]$ bash /home/oldlu/datas/helloworld.sh 
Helloworld

20210315090724482.png

第二种:采用输入脚本的绝对路径或相对路径执行脚本(必须具有可执行权限+x)

(a)首先要赋予helloworld.sh 脚本的+x权限

[oldlu@hadoop101 datas]$ chmod 777 helloworld.sh

(b)执行脚本

相对路径

[oldlu@hadoop101 datas]$ ./helloworld.sh 
Helloworld

绝对路径

[oldlu@hadoop101 datas]$ /home/oldlu/datas/helloworld.sh 
Helloworld

20210315090857844.png

注意:第一种执行方法,本质是bash解析器帮你执行脚本,所以脚本本身不需要执行权

3.第二个Shell脚本:多命令处理

(1)需求:

在/home/oldlu/目录下创建一个banzhang.txt,在banzhang.txt文件中增加“I love cls”。

(2)案例实操:

[oldlu@hadoop101 datas]$ touch batch.sh
[oldlu@hadoop101 datas]$ vi batch.sh

在batch.sh中输入如下内容

#!/bin/bash
cd /home/oldlu
touch cls.txt
echo "I love cls" >>cls.txt

20210315091623699.png

4 Shell中的变量

4.1 系统变量

1 常用系统变量

$HOME、$PWD、$SHELL、$USER等

20210315092924148.png

2.案例实操

(1)查看系统变量的值

[oldlu@hadoop101 datas]$ echo $HOME
/home/oldlu

(2)显示当前Shell中所有变量:set

[oldlu@hadoop101 datas]$ set
BASH=/bin/bash
BASH_ALIASES=()
BASH_ARGC=()
BASH_ARGV=()

4.2 自定义变量

1.基本语法

(1)定义变量:变量=值

(2)撤销变量:unset 变量

(3)声明静态变量:readonly变量,注意:不能unset

2.变量定义规则

(1)变量名称可以由字母、数字和下划线组成,但是不能以数字开头,环境变量名建议大写。

(2)等号两侧不能有空格

(3)在bash中,变量默认类型都是字符串类型,无法直接进行数值运算。

(4)变量的值如果有空格,需要使用双引号或单引号括起来。

3.案例实操

(1)定义变量A

[oldlu@hadoop101 datas]$ A=5
[oldlu@hadoop101 datas]$ echo $A
5
(2)给变量A重新赋值
[oldlu@hadoop101 datas]$ A=8
[oldlu@hadoop101 datas]$ echo $A
8
(3)撤销变量A
[oldlu@hadoop101 datas]$ unset A
[oldlu@hadoop101 datas]$ echo $A
(4)声明静态的变量B=2,不能unset
[oldlu@hadoop101 datas]$ readonly B=2
[oldlu@hadoop101 datas]$ echo $B
2
[oldlu@hadoop101 datas]$ B=9
-bash: B: readonly variable
(5)在bash中,变量默认类型都是字符串类型,无法直接进行数值运算
[oldlu@hadoop102 ~]$ C=1+2
[oldlu@hadoop102 ~]$ echo $C
1+2
(6)变量的值如果有空格,需要使用双引号或单引号括起来
[oldlu@hadoop102 ~]$ D=I love banzhang
-bash: world: command not found
[oldlu@hadoop102 ~]$ D="I love banzhang"
[oldlu@hadoop102 ~]$ echo $A
I love banzhang

(7)可把变量提升为全局环境变量,可供其他Shell程序使用 export 变量名 之后变为全局有效

[oldlu@hadoop101 datas]$ vim helloworld.sh 

在helloworld.sh文件中增加echo $B

#!/bin/bash
echo "helloworld"
echo $B
[oldlu@hadoop101 datas]$ ./helloworld.sh 
Helloworld
发现并没有打印输出变量B的值。
[oldlu@hadoop101 datas]$ export B
[oldlu@hadoop101 datas]$ ./helloworld.sh 
helloworld
2

4.3 特殊变量:$n参数输入

20210408203634751.png

1.基本语法

$n (功能描述:n为数字,$0代表该脚本名称,$1-$9代表第一到第九个参数,十以上的参数,十以上的参数需要用大括号包含,如${10})

2.案例实操

(1)输出该脚本文件名称、输入参数1和输入参数2 的值

[oldlu@hadoop101 datas]$ touch parameter.sh 
[oldlu@hadoop101 datas]$ vim parameter.sh
#!/bin/bash
echo "$0  $1   $2"
[oldlu@hadoop101 datas]$ chmod 777 parameter.sh
[oldlu@hadoop101 datas]$ ./parameter.sh cls  xz
./parameter.sh  cls   xz

$0就是当前这个文件的文件名吗,后面就是所输入的参数然后执行所输入的内容,灵活性比较高

20210315142901673.png

20210315142919371.png

4.4 特殊变量:$#统计参数个数

1.基本语法

$# (功能描述:获取所有输入参数个数,常用于循环)。

2.案例实操

(1)获取输入参数的个数

[oldlu@hadoop101 datas]$ vim parameter.sh
#!/bin/bash
echo "$0  $1   $2"
echo $#
[oldlu@hadoop101 datas]$ chmod 777 parameter.sh
[oldlu@hadoop101 datas]$ ./parameter.sh cls  xz
parameter.sh cls xz 
2

4.5 特殊变量:∗ 、 *、@

1.基本语法

$* (功能描述:这个变量代表命令行中所有的参数,$*把所有的参数看成一个整体)

$@ (功能描述:这个变量也代表命令行中所有的参数,不过$@把每个参数区分对待)

2.案例实操

(1)打印输入的所有参数

[oldlu@hadoop101 datas]$ vim parameter.sh
#!/bin/bash
echo "$0  $1   $2"
echo $#
echo $*
echo $@
[oldlu@hadoop101 datas]$ bash parameter.sh 1 2 3
parameter.sh  1   2    
3
1 2 3
1 2 3

20210315143851630.png

4.6 特殊变量:$?

1.基本语法

$?(功能描述:最后一次执行的命令的返回状态。如果这个变量的值为0,证明上一个命令正确执行;如果这个变量的值为非0(具体是哪个数,由命令自己来决定),则证明上一个命令执行不正确了。)

2.案例实操

(1)判断helloworld.sh脚本是否正确执行

[oldlu@hadoop101 datas]$ ./helloworld.sh 
hello world
[oldlu@hadoop101 datas]$ echo $?
0


相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
相关文章
|
4天前
|
Cloud Native 数据处理 云计算
探索云原生技术在大数据分析中的应用
随着云计算技术的不断发展,云原生架构作为一种全新的软件开发和部署模式,正逐渐引起企业的广泛关注。本文将探讨云原生技术在大数据分析领域的应用,介绍其优势与挑战,并探讨如何利用云原生技术提升大数据分析的效率和可靠性。
|
4天前
|
数据采集 传感器 人工智能
大数据关键技术之电商API接口接入数据采集发展趋势
本文从数据采集场景、数据采集系统、数据采集技术方面阐述数据采集的发展趋势。 01 数据采集场景的发展趋势 作为大数据和人工智能工程的源头,数据采集的场景伴随着应用场景的发展而变化,以下是数据采集场景的发展趋势。
|
4天前
|
分布式计算 Hadoop 大数据
大数据技术与Python:结合Spark和Hadoop进行分布式计算
【4月更文挑战第12天】本文介绍了大数据技术及其4V特性,阐述了Hadoop和Spark在大数据处理中的作用。Hadoop提供分布式文件系统和MapReduce,Spark则为内存计算提供快速处理能力。通过Python结合Spark和Hadoop,可在分布式环境中进行数据处理和分析。文章详细讲解了如何配置Python环境、安装Spark和Hadoop,以及使用Python编写和提交代码到集群进行计算。掌握这些技能有助于应对大数据挑战。
|
4天前
|
存储 数据采集 数据可视化
大数据处理技术
【4月更文挑战第10天】大数据处理涵盖采集、预处理、存储、分析挖掘、展现和应用等关键步骤。采集涉及多种类型数据,预处理确保数据质量,存储管理关注规模、速度和安全,分析挖掘利用机器学习发现价值,展现和应用则通过可视化和检索实现数据价值。云计算和AI强化了大数据处理能力,整体目标是提取数据中的价值,驱动企业和社会进步。
35 4
大数据处理技术
|
4天前
|
机器学习/深度学习 运维 算法
大数据基础工程技术团队4篇论文入选ICLR,ICDE,WWW
近日,由阿里云计算平台大数据基础工程技术团队主导的四篇时间序列相关论文分别被国际顶会ICLR2024、ICDE2024和WWW2024接收。
|
4天前
|
存储 机器学习/深度学习 数据采集
大数据处理与分析实战:技术深度剖析与案例分享
【5月更文挑战第2天】本文探讨了大数据处理与分析的关键环节,包括数据采集、预处理、存储、分析和可视化,并介绍了Hadoop、Spark和机器学习等核心技术。通过电商推荐系统和智慧城市交通管理的实战案例,展示了大数据在提高用户体验和解决实际问题上的效能。随着技术进步,大数据处理与分析将在更多领域发挥作用,推动社会进步。
|
4天前
|
存储 数据可视化 大数据
大数据技术框架
【4月更文挑战第20天】大数据一般需要经过6个主要环节,包括数据收集、数据存储、资源管理与服务协调、计算引擎、数据分析和数据可视化。
|
4天前
|
存储 大数据 数据管理
大数据技术是如何发展的?
大数据虽已发展多年,但仍面临将恰当信息在正确时间传递给合适人员的挑战。尽管技术进步,大部分企业员工仍难以获取所需信息。数据仓库、数据湖和数据结构等存储系统涌现,但集中数据并不实际,数据去中心化趋势明显。数据结构允许异构数据并促进治理,同时,云计算影响大数据战略,提供灵活实验空间。数据治理和隐私规则的遵守至关重要,流程成熟度聚焦于数据质量和共享。目前大数据正处于“幻灭低谷”,成功的关键在于数据治理和处理流程的改进。
|
4天前
|
NoSQL 大数据 数据挖掘
现代数据库技术与大数据应用
随着信息时代的到来,数据量呈指数级增长,对数据库技术提出了前所未有的挑战。本文将介绍现代数据库技术在处理大数据应用中的重要性,并探讨了一些流行的数据库解决方案及其在实际应用中的优势。
|
4天前
|
机器学习/深度学习 人工智能 数据可视化
基于Python的数据可视化技术在大数据分析中的应用
传统的大数据分析往往注重数据处理和计算,然而数据可视化作为一种重要的技术手段,在大数据分析中扮演着至关重要的角色。本文将介绍如何利用Python语言中丰富的数据可视化工具,结合大数据分析,实现更直观、高效的数据展示与分析。