百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 技术分类 > 正文

Linux日志相关命令—查看\关键词查询\截取\日志压缩备份

ztj100 2025-05-02 14:52 25 浏览 0 评论

一、查看

1、动态日志查看。
说明:程序启动可以动态查看运行日志。

tail  -f  文件名.log

2、显示最后100行
说明:动态日志没有写入的时候,可以用该命令查询最后的几行

tail  -100f 文件名

二、关键词查询

常用(可记住):

cat -n nohup.out | grep "关键词"
//查询显示包括关键词的(A前B后C前后)几行
cat -n nohup.out |grep '关键词' -A 2   
//关键词行号的+几行之后,-几行之前
more  +行号  文件名     

1、关键字普通查询

说明:会查询日志文件中涉及关键词的那一行,并显示出来,关键词在日志中出现太多就不好定位。

cat nohup.out | grep "关键词"



2、关键字搜索并显示行号

说明:搜索出关键字内容且显示关键字所在行, n参数为显示行号

cat -n nohup.out | grep "关键词"



3.按照关键字搜索并包含前(后)多少行

cat -n nohup.out |grep '关键词' -A 2

说明:
-A 表示关键字之后,After
-B 表示关键字之前,Before
-C 表示关键字前后,Context

案例:查询关键词后面2行一起显示。



4.根据关键字所在行号,查看第N行前面或者后面的日志

more +行号 文件名,查看后面的数据,q退出
more -行号 文件名,查看前面的数据,q退出

more  +行号  文件名

(1)定位到18行,从18行查看后面的日志。



(2)查询18行之前的日志



5.根据关键字所在行号,显示后面的几行

cat nohup.out | tail -n +第几行开始| head -n 显示几行

案例:从18行开始,显示30行



三、截取

1.先了解>和>>

清空c文件写入

tail -10 b.txt > c.txt 

追加写入到c文件

tail -10 b.txt >> c.txt

2.截取几行到几行的数据,写入到文件

sed -n ‘10000,20000p’ nohup.out> test.log

3.其他相关sed命令

1.history命令写入到1.text

history >1.txt

2.把1.txt文件中写入到2.txt,第1到3行不写入。

 sed '1,3d' 1.txt >2.txt

结果:1到3行没在了。相当于文件1中的几行不需要写入到文件2,使用该命令。
3.删除第文件中1到3行

 sed  -i '1,3d' 1.txt

4.截取最后几行写入到另外一个文件

 tail -100000 nohup.out > b.txt

5.截取时间内容到另外一个文件

grep  '2023-03-17 14:57 >a.txt

四、定时日志压缩备份

1.编写log_backup.sh 压缩日志文件

[root@localhost logs]# cd /root/
[root@localhost ~]# ls
 log_backup.sh 
[root@localhost ~]# cat log_backup.sh 
cd /home/user01/java/project/
tar tar czf `date +"%Y-%m-%d"`.tar.gz nohup.out
sleep 1
cat /dev/null > nohup.out

2.写入到crontab相关定时任务命令

写入编辑命令:crontab -e
查看命令:crontab -l

[root@localhost logs]# crontab -l
*/20 * * * * /sbin/ntpdate -u 10.30.24.21 > /dev/null 2>&1
59 23 * * * /root/log_backup.sh

相关推荐

其实TensorFlow真的很水无非就这30篇熬夜练

好的!以下是TensorFlow需要掌握的核心内容,用列表形式呈现,简洁清晰(含表情符号,<300字):1.基础概念与环境TensorFlow架构(计算图、会话->EagerE...

交叉验证和超参数调整:如何优化你的机器学习模型

准确预测Fitbit的睡眠得分在本文的前两部分中,我获取了Fitbit的睡眠数据并对其进行预处理,将这些数据分为训练集、验证集和测试集,除此之外,我还训练了三种不同的机器学习模型并比较了它们的性能。在...

机器学习交叉验证全指南:原理、类型与实战技巧

机器学习模型常常需要大量数据,但它们如何与实时新数据协同工作也同样关键。交叉验证是一种通过将数据集分成若干部分、在部分数据上训练模型、在其余数据上测试模型的方法,用来检验模型的表现。这有助于发现过拟合...

深度学习中的类别激活热图可视化

作者:ValentinaAlto编译:ronghuaiyang导读使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性...

超强,必会的机器学习评估指标

大侠幸会,在下全网同名[算法金]0基础转AI上岸,多个算法赛Top[日更万日,让更多人享受智能乐趣]构建机器学习模型的关键步骤是检查其性能,这是通过使用验证指标来完成的。选择正确的验证指...

机器学习入门教程-第六课:监督学习与非监督学习

1.回顾与引入上节课我们谈到了机器学习的一些实战技巧,比如如何处理数据、选择模型以及调整参数。今天,我们将更深入地探讨机器学习的两大类:监督学习和非监督学习。2.监督学习监督学习就像是有老师的教学...

Python教程(三十八):机器学习基础

...

Python 模型部署不用愁!容器化实战,5 分钟搞定环境配置

你是不是也遇到过这种糟心事:花了好几天训练出的Python模型,在自己电脑上跑得顺顺当当,一放到服务器就各种报错。要么是Python版本不对,要么是依赖库冲突,折腾半天还是用不了。别再喊“我...

超全面讲透一个算法模型,高斯核!!

...

神经网络与传统统计方法的简单对比

传统的统计方法如...

AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程

...

自回归滞后模型进行多变量时间序列预测

下图显示了关于不同类型葡萄酒销量的月度多元时间序列。每种葡萄酒类型都是时间序列中的一个变量。假设要预测其中一个变量。比如,sparklingwine。如何建立一个模型来进行预测呢?一种常见的方...

苹果AI策略:慢哲学——科技行业的“长期主义”试金石

苹果AI策略的深度原创分析,结合技术伦理、商业逻辑与行业博弈,揭示其“慢哲学”背后的战略智慧:一、反常之举:AI狂潮中的“逆行者”当科技巨头深陷AI军备竞赛,苹果的克制显得格格不入:功能延期:App...

时间序列预测全攻略,6大模型代码实操

如果你对数据分析感兴趣,希望学习更多的方法论,希望听听经验分享,欢迎移步宝藏公众号...

AI 基础知识从 0.4 到 0.5—— 计算机视觉之光 CNN

...

取消回复欢迎 发表评论: