awk脚本备份drupal

本文涉及的产品
RDS MySQL DuckDB 分析主实例,集群系列 4核8GB
简介:

根据settings.php 里面的相关设置,去备份mysql.保留14天的。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
#!/bin/bash
 
awk  '
BEGIN{FS= "[\" \047]+"
     www_prefix= "/mnt/"
     bak_prefix= "/mnt/backup/"
     path[ "test1" ]= "test1/sites/default/files"
     path[ "test2" ]= "test2/sites/default/files"
     bak=0     #备份文件方式 0 rsync 1 tar
     del=14    #删除多少以前的
}
!/^ *\/\ //  && /\/\*/{a=1}
!/^ *\/\ //  && /\*\/ *$/{a=2}
a==2 && /^ *\$databases/{
     b[1]=1
     next
     }
b[1] && a==2 && /^ *[^ #]/ && !/^ *\/\// && /database|username|password|host/{
     b[$2]=$4
     if (length(b)==5){
         site=gensub(www_prefix "([^/]*)/.*" , "\\1" ,1,FILENAME)
         mysql = sprintf( "mysqldump -u\"%s\" -p\"%s\" -h\"%s\" --database %s > %s%s/db/%s.sql" ,b[ "username" ],b[ "password" ],b[ "host" ],b[ "database" ],bak_prefix,site,strftime( "%F" ,systime()))
         system(mysql)
         del_bak_mysql = sprintf( "rm -f %s%s/db/%s.sql" ,bak_prefix,site,strftime( "%F" ,systime()-86400*del))
         system(del_bak_mysql)
         if (bak){
             file_bak = sprintf( "cd %s%s && tar -cf %s%s/file/%s.tar.gz ." ,www_prefix,site,bak_prefix,site,strftime( "%F" ,systime()))
         } else {
             file_bak = sprintf( "rsync -az %s%s/ %s%s/file" ,www_prefix,path[site],bak_prefix,site)
         }
         system(file_bak)
         delete b
     }
}'  /mnt/test1/sites/default/settings .php  /mnt/test2/sites/default/settings .php


下次还有新的drupal直接把settings.php文件添加到后面就和path(网站root路径)就可以了,



本文转自 nonono11 51CTO博客,原文链接:http://blog.51cto.com/abian/1720010,如需转载请自行联系原作者

相关实践学习
每个IT人都想学的“Web应用上云经典架构”实战
本实验从Web应用上云这个最基本的、最普遍的需求出发,帮助IT从业者们通过“阿里云Web应用上云解决方案”,了解一个企业级Web应用上云的常见架构,了解如何构建一个高可用、可扩展的企业级应用架构。
MySQL数据库入门学习
本课程通过最流行的开源数据库MySQL带你了解数据库的世界。   相关的阿里云产品:云数据库RDS MySQL 版 阿里云关系型数据库RDS(Relational Database Service)是一种稳定可靠、可弹性伸缩的在线数据库服务,提供容灾、备份、恢复、迁移等方面的全套解决方案,彻底解决数据库运维的烦恼。 了解产品详情: https://www.aliyun.com/product/rds/mysql 
相关文章
|
9天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
301 164
|
3天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
314 155
|
12天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
869 6
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
252 113