Linux csplit 命令:按行号或标题模式分割文件

csplit 按指定行号或匹配文本模式的边界分割文件,适合把带章节标题的文档拆成多个片段。匹配行默认属于后一个片段;如果需要每段固定行数或字节数,可改用 split 的按行数与大小分割方法。

默认输出名从 xx00、xx01 开始,并向标准输出打印各片段的字节数。先在新目录中准备输入,明确边界与文件名前缀;不要在已有同名输出的目录里直接试运行。

基本语法与边界含义

csplit [options] input_file pattern...

options、input_file 和 pattern... 是参数占位符。GNU csplit 的输入写成 - 时读取标准输入;行号从 1 开始,整数边界表示复制到指定行之前,/REGEXP/ 表示复制到匹配行之前,余下内容写入后续文件。

实现和可用选项随系统而异,先查 csplit --version、csplit --help 与本机 man csplit。以下例子按 GNU Coreutils 说明;正则表达式需要加引号,重复标记也应作为一个带引号的参数传入。

完整练习:行号、单次模式与重复模式

在第 11 行之前分割。 下面完整代码块需要 Bash 和 GNU csplit、printf、cp 等命令。它新建 csplit-demo,准备 12 行数字文本和两份相同的章节文本,再执行原例的行号分割。若目录存在,第一步失败,后续不执行;换一个未使用的目录名,不要清空旧目录。

mkdir csplit-demo && cd csplit-demo && (
  set -e
  set -o noclobber
  printf '%s\n' {1..12} > notes.txt
  printf 'Intro\nChapter 1\nalpha\nChapter 2\nbeta\n' > report.txt
  cp report.txt book.txt
  csplit -f part- notes.txt 11
)

成功后,当前 shell 位于 csplit-demo,后两个例子也在这里执行。part-00 包含 1–10 这十行,part-01 从第 11 行开始,包含 11、12。终端显示 21 和 6,分别是两个片段的字节数,包含行末换行符;不是行数,也不是原文件正文。

只在第一个章节标题处分割。 使用已准备的 report.txt:

csplit -f section- report.txt '/^Chapter /'

section-00 只有 Intro 和换行;section-01 从 Chapter 1 开始,包含 alpha、第二章标题和 beta。一个模式参数默认只使用一次匹配,不会自动把每一章都拆开。这里终端显示 6 和 31 两个字节数。

在后续匹配处继续分割。 对相同内容的 book.txt 使用 GNU 的重复标记:

csplit -f chapter- book.txt '/^Chapter /' '{*}'

它创建三个片段:chapter-00 为标题前的 Intro,chapter-01 为第一章标题及 alpha,chapter-02 为第二章标题及 beta。'{*}' 重复前面的模式,尽可能继续匹配;不是 shell 通配符,也不代表每行切一次。默认输出的三个字节数是 6、16、15。

这些输入只是可核对的小样本;把模式用于真实文档前,检查标题是否有缩进、大小写差异或其他同名行。^ 表示行首,示例里的 Chapter 后面有一个空格;不符合这个形式的标题不会匹配。

观察匹配行属于哪个片段

下面的完整代码块可独立运行。它新建 pattern-demo,使这里的 part- 输出与上个目录完全分开;目录存在时停止。

mkdir pattern-demo && cd pattern-demo && (
  set -e
  set -o noclobber
  printf 'one\nTWO\ntwo\n' > sample.txt
  csplit -s -f part- sample.txt '/^TWO$/'
  cat part-00
  cat part-01
)

-s 仅隐藏片段大小,不会抑制错误,也不隐藏随后两个 cat 的正文。终端显示:

one
TWO
two

part-00 只有 one\n,part-01 是 TWO\ntwo\n,所以匹配行保留在后一个片段。^TWO$ 要求整行正好为大写 TWO;大小写不同或尾部多一个空格都不匹配。

主要选项与空片段

选项 作用与条件
-f PREFIX 指定输出名称前缀,替代默认的 xx;它不创建缺失的父目录。
-n N 指定数字后缀的最小位数,默认两位;例如 3 位从 000 开始,不代表指定片段数量。
-s 不打印输出片段的字节数,错误诊断仍可能写入标准错误。
-z 省略空输出文件;适合不需要标题前空片段的情况,核对实际生成的名称和数量。
-k 失败时保留已生成的片段,便于检查;并不让错误变成成功。

若第一行就匹配章节标题,第一个片段默认可以为空。需要省略时再选择 -z,不要把空片段一概判断为失败。若原文有标题前说明,它会成为一个独立片段,不应在检查章数时忽略。

错误、覆盖与内容核验

必需的模式找不到、行号越界或输出路径不可写时,命令会失败。GNU 默认在错误时移除本次输出文件;加 -k 才保留已经产生的结果。无论是否保留,都要检查退出状态和错误信息,不能仅凭“目录里有片段”宣布完成。

同名输出可能被覆盖,出错后的清理也不能恢复旧文件。shell 的 noclobber 只保护其重定向,不阻止 csplit 自己打开输出;因此示例的新目录检查是关键。失败后保留输入、单独检查结果,不要盲目覆盖或拼接旧片段。

通常的行号或 /REGEXP/ 分割保留原输入内容,可按实际生成顺序把全部片段合并后,用逐字节比较或可靠哈希与原文件核对。不要把默认字节计数当成校验和。GNU 的 %REGEXP% 会跳过一段内容;用了这种跳过形式,不能再假定拼接结果等于原文。

偏移量也会改变边界:例如 '/^TWO$/+1' 把切分点移到匹配行之后,使 TWO 留在前段。先用小样本确认偏移与重复组合的实际结果,再处理正式文档。

常见问题

什么时候选 split,什么时候选 csplit?

需要每段最多固定字节数或行数时选 split;需要在指定行号、章节标题等文档边界切分时选 csplit。按模式切分时,各段长度通常不同,应核对边界和标题归属。

实现文档

Debian 官方收录的 GNU csplit 手册说明行号、正则模式、偏移与重复标记,以及出错时的文件处理。本机手册和帮助输出用于确认安装版本的支持范围。