Roury a filtry

Teď, když znáš základní příkazy, si ukážeme nejmocnější vlastnost shellu: možnost příkazy jednoduše spojovat dohromady. Začni opět v adresáři molecules, kde je několik souborů s popisem molekul:

$ cd ~/Dokumenty/data-shell/molecules
$ ls -F
cubane.pdb  ethane.pdb  methane.pdb  octane.pdb  pentane.pdb  propane.pdb

Pomocí wc -l si vypiš, kolik mají tyto soubory řádků:

$ wc -l *.pdb
  20 cubane.pdb
  12 ethane.pdb
   9 methane.pdb
  30 octane.pdb
  21 pentane.pdb
  15 propane.pdb
 107 celkem

Který z těchto souborů je největší? A který je nejmenší? Tohle jsou docela jednoduché otázky, ale představ si, že bys těch souborů měla 6000. To už by se hodilo zeptat počítače spíš než hledat očima.

Přesměrování výstupu

První věc, kterou uděláme, je přesměrování výstupu. Pomocí > pusť příkaz wc tak, aby místo na obrazovku zapisoval do souboru:

$ wc -l *.pdb > delky.txt

Na obrazovku se nic nevypíše, ale vytvoří se soubor delky.txt:

$ ls delky.txt
delky.txt

A v tom souboru je všechno, co by příkaz wc normálně vypsal do terminálu:

$ cat delky.txt
  20 cubane.pdb
  12 ethane.pdb
   9 methane.pdb
  30 octane.pdb
  21 pentane.pdb
  15 propane.pdb
 107 celkem

Jak to funguje?

Každý příkaz v Bashi (a obecně každý proces — běžící program na počítači) má k dispozici takzvaný standardní výstup (angl. standard output, stdout): místo, kam může vypisovat výsledky. Bash předtím, než spustí nějaký program, nastaví tenhle standardní výstup buď do terminálu nebo do souboru. Programy jako cat, wc nebo tail se pak nestarají o to, kde ty výsledky skončí. Prostě je vypíšou na předem určené místo.

Pomocí > říkáš Bashi, aby výstup programu přesměroval do souboru. Když soubor daného jména neexistuje, Bash ho vytvoří. Pokud existuje, Bash jeho obsah ještě před spuštěním příkazu smaže a nechá příkaz, ať do něj zapíše něco nového. Takže postupuj opatrně: jak už víš že na příkazové řádce se nepoužívá odpadkový koš nebo tlačítko Zpět.

Hadí odbočka

Program python má přepínač -c, který umožňuje zadat pythonní příkaz přímo jako argument příkazové řádky. I výstup této operace můžeš přesměrovat do souboru a dál s ním pracovat.

$ python -c 'print(1 + 1)' > ctyri.txt
$ cat ctyri.txt
2

Řazení

Seznam se s příkazem sort (angl. seřaď), který seřadí řádky daného souboru. Soubor delky.txt vypadá takhle:

$ cat delky.txt
  20 cubane.pdb
  12 ethane.pdb
   9 methane.pdb
  30 octane.pdb
  21 pentane.pdb
  15 propane.pdb
 107 celkem

A příkaz sort ho seřadí následujícím způsobem:

$ sort delky.txt
 107 celkem
  12 ethane.pdb
  15 propane.pdb
  20 cubane.pdb
  21 pentane.pdb
  30 octane.pdb
   9 methane.pdb

To není úplně ono – sort totiž řadí podle abecedy, nikoli číselně; 102 je tedy před 12 podobně jako BAC je v abecedě před BC.

Ale jak už to bývá, tohle chování se dá změnit pomocí přepínače – v tomto případě přepínače -n (--numeric-sort, číselné řazení):

$ sort -n delky.txt
   9 methane.pdb
  12 ethane.pdb
  15 propane.pdb
  20 cubane.pdb
  21 pentane.pdb
  30 octane.pdb
 107 celkem

Nejmenší molekula

Která molekula tedy obsahuje nejmíň atomů?

Když umíš jména souborů seřazené podle počtu řádků vypsat, stejně tak je můžeš uložit do souboru. A ten soubor potom můžeš dál zpracovávat. Nejkratší soubor bude v prvním řádku; prvních n řádků souboru vypíšeš pomocí head:

$ sort -n delky.txt > delky-serazene.txt
$ head -n1 delky-serazene.txt
   9 methane.pdb

Celý postup zjištění nejkratší molekuly tedy je:

$ wc -l *.pdb > delky.txt
$ sort -n delky.txt > delky-serazene.txt
$ head -n1 delky-serazene.txt
   9 methane.pdb

Neboli česky:

• Počty řádků a jména souborů zapiš do delky.txt.
• Soubor delky.txt seřaď (číselně) a zapiš do souboru delky-serazene.txt.
• Ze souboru delky-serazene.txt vypiš první řádek.

Tahle sekvence příkazů bude fungovat i kdyby souborů s molekulami bylo 6000. Můžeš si je zapsat do souboru a použít příště, až zase budeš hledat nejmenší molekulu!

Jde to zjednodušit ještě dál, ale než si ukážeme jak na to, podívejme se na přesměrování vstupu.

Přesměrování vstupu

Tak jako jde přesměrovat výstup příkazu pomocí > – tedy to, co by se vypsalo na obrazovku, zapsat do souboru, jde přesměrovat i vstup – tedy to, co bys napsala na klávesnici, načíst ze souboru.

Už víš, že když příkaz jako cat pustíš bez jména souboru, načítají informace „z klávesnice“:

$ cat
haló haló,
haló haló,
co se stalo?
co se stalo?
^C

Podobně jako u standatního výstupu existuje standardní vstup (angl. standard input, stdin) – místo, odkud program získává textové informace. Normálně to je „klávesnice“:

Standartní vstup můžeš přesměrovat tak, aby místo toho, co napíšeš klávesnici, příkaz zpracoval daný soubor.

$ cat < delky.txt
  20 cubane.pdb
  12 ethane.pdb
   9 methane.pdb
  30 octane.pdb
  21 pentane.pdb
  15 propane.pdb
 107 celkem

Spousta programů standardní vstup nepoužívá:

• ls, cd nebo mv dostávají všechny potřebné informace jako argumenty, nepotřebují vstup z klávesnice;

• Příkazy s argumentem jako cat soubor.txt nebo wc soubor.txt čtou daný soubor. Klávesnici ignorují, i když jim je k dispozici:

  

Spousta příkazů bez argumentu ale standardní vstup používá:

$ sort -n < delky.txt
   9 methane.pdb
  12 ethane.pdb
  15 propane.pdb
  20 cubane.pdb
  21 pentane.pdb
  30 octane.pdb
 107 celkem

$ wc -l < delky.txt
7

$ head -n1 < delky-serazene.txt
   9 methane.pdb

Všimni si, že příkaz wc nevypsal název souboru – chová se tak, jako kdybys obsah delky.txt napsala na klávesnici.

K čemu je to dobré? Zatím, pravda, k ničemu. Příkazy cat, wc i sort umí soubory z disku otevřít samy; nepotřebují na to od Bashe pomoc.

Vstup a výstup ale můžeš přesměrovat i na jiné věci než jen soubory na disku.

Datové potrubí

Najdi na klávesnisi znak |, kterému budu říkat svislítko. Tenhle znak nejspíš nemá oficiální české jméno. Formálně se mu dá říkat svislá čára, často ale uslyšíš pojmenování roura nebo pajpa (z angl. pipe, roura), která vychází z funkce tohoto znaku v Bashi. Tak moc je ta funkce důležitá.

Když svislítkem oddělíš dva příkazy, standardní výstup prvního z nich se přesměruje na standardní vstup toho druhého. Dva příkazy tak spojíš dohromady: první připraví mezivýsledek se kterým ten druhý pak pracuje dál.

Zkus si to na příkladu:

$ sort -n delky.txt | head -n 1
   9 methane.pdb

Toto je ekvivalent dvou příkazů, které jsi použila dříve – jen s tím rozdílem, že se pro mezivýsledek nepoužívá soubor, ale text se přesměruje rovnou z jednoho příkazu do druhého.

$ sort -n delky.txt > delky-serazene.txt
$ head -n1 < delky-serazene.txt
   9 methane.pdb

Takovému přesměrování se říká roura (angl. pipe): můžeš si představit, že text “teče” z jednoho příkazu do druhého.

Z rour můžeš sestavovat celá potrubí, kterým budou data proudit mezi jednotlivými příkazy:

$ wc -l *.pdb | sort -n | head -n 1

Toto spojování stojí za úspěchem Unixových shellů. Místo obrovských programů (např. tabulkový procesor, textový editor, webový prohlížeč) které mají nepřeberné množství různých funkcí se Unixoví programátoři soustředí na jednoduché nástroje (např. cat, wc, head, které bys uměla napsat v Pythonu i ty). Každý z těchto jednoduchých nástrojů dělá jen jednu věc, ale dělá ji dobře. A pomocí rour jde nástroje spojovat k řešení mnohem komplexnějších situací, než na jaké můžou myslet autoři složitých programů.

Každý způsob má samozřejmě svoje místo. Nic tě nenutí používat jen příkazovou řádku, která je mnohem složitější na ovládnutí než „klikátko“ s předpřipravenou nabídkou akcí. Ale jakmile se Bash a malé nástroje naučíš efektivně používat, sama poznáš jak jsou užitečné.

Modelu pospojovaných nástrojů se také říká roury a filtry (angl. pipes and filters). Roury už znáš; filtry jsou nástroje jako wc a sort, které nějak transformují standardní vstup na standardní výstup. Většina Unixových nástrojů funguje právě takhle: pokud jim nepředáš argument, čtou ze std. vstupu a výsledky píší na std. výstup.

Řádky a podvodníci

Protože výchozí std. vstup je klávesnice a výchozí std. výstup je obrazovka, rourami většinou „teče“ text, který je více či méně srozumitelný pro lidi. Často v něm každá položka bývá na zvláštním řádku. Právě na taková data je připravena celá řada nástrojů: od filtrů jako sort, který řadí řádky, po Pythoní for radek in soubor: po git diff a jeho ekvivalent na webu GitHub.

Co ale takový ls, který skládá jména souborů za sebe – na jeden řádek jich dá několik?

$ ls -F ..
creatures/  diplomka_archiv/  north-pacific-gyre/  plan.txt   writing/
data/       molecules/        pizza.cfg            solar.pdf

Příkaz ls trochu podvádí: zjistí si, jestli má na std. výstupu terminál, a pokud ano, přizpůsobí svůj výpis „lidem“.

Když ale nemá na std. výstupu terminál, dává každé jméno souboru na zvláštní řádek, aby se výsledek dal dobře zpracovat dalšími filtry:

$ ls -F .. | cat
creatures/
data/
diplomka_archiv/
molecules/
north-pacific-gyre/
pizza.cfg
plan.txt
solar.pdf
writing/

Když si to zkusíš, zjistíš že z výstupu zmizely i barvy. I to je vlastnost, která se špatně zpracovává filtrem, a tak ji ls přidává jen pokud vypisuje do terminálu.