Shell脚本数组与字符串处理|学习笔记

简介: 快速学习Shell脚本数组与字符串处理

开发者学堂课程【Shell 脚本进阶:TCP/IP协议基础知识】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址https://developer.aliyun.com/learning/course/799


Shell脚本数组与字符串处理

目录:

一、脚本创建、执行与退出状态码

二、变量的定义和使用

三、输出文本

四、数学运算

一、脚本创建、执行与退出状态码

1、创建shell脚本

Shebang: #!/bin/bash

2、执行脚本

增加脚本的可执行权限

使用绝对或相对路径执行shell脚本

3、脚本的退出状态码

$?

exit命令

示例:

image.png

二、变量的定义和使用

1. Linux系统的环境变量

(1)全局环境变量

(2)局部环境变量

2.自定义用户变量

(1)有字母、数字、下划线组成

(2)长度不超过20个字符

(3)区分大小写

3.变量的定义/赋值

(1)等号两边不能有空格

4.使用美元符$对变量进行引用

(1)建议使用${variable_ _name}

5.命令替换:将命令的输出赋值给变量

(1)反引号‘command’

(2)$( command)

三、输出文本

echo命令

echo $USER * $(date)

image.png

echo '$USER * $(date) '

image.png

echo "$USER * $(date)"

image.png

四、数学运算

1、expr命令:进行加减乘除运算

image.png

2、$[operation]

image.png

3、bc命令(支持浮点数运算)

相关文章
|
7天前
|
数据采集 人工智能 安全
|
17天前
|
云安全 监控 安全
|
3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。
285 164
|
2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。
291 155
|
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: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。
219 113
|
10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。
763 5