Loading [MathJax]/jax/output/CommonHTML/config.js
前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >【精通Linux系列】Linux文件属性限权操作与文档归档与解压缩

【精通Linux系列】Linux文件属性限权操作与文档归档与解压缩

作者头像
大数据小禅
发布于 2022-04-13 13:04:41
发布于 2022-04-13 13:04:41
55400
代码可运行
举报
文章被收录于专栏:YO大数据YO大数据
运行总次数:0
代码可运行

🚀 作者 :“大数据小禅” 🚀 专栏简介 :本专栏主要分享Linux技术,会涉及到常用的Linux命令操作,常用的服务部应用署以及相关运维知识,还有一些Linux系统的深层解析,Linux系列专栏地址,欢迎小伙伴们订阅! 🚀 个人主页 :大数据小禅 🚀 欢迎小伙伴们 点赞👍、收藏⭐、留言💬

文章目录

文件的属性:ls -lrti #用这个命令查看,下面是进入了cd /var/log
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
135088935 -rw-------. 1 root root 1778 Oct 1 2020 yum.log
第一列:i节点;i节点可以理解文件id,一个i节点号可以对应多个文件,一个文件只能对应一个i节点号
第二列:文件的类型与权限
- #代表的是文件;
- d#代表是目录; 
- l #软链接文件 ;b #代表块设备;c #代表的是硬件设备(键盘)
r:表示读权限 ;w:表示写权限;x:表示执行权限
4:表示读权限 ;2:表示写权限;1:表示执行权限

rw-------:分为三列 rw- --- ---,第一列为所属者的权限,第二列为所属组的权限,第三列为其它的权限

第三列:有多少文件名链接到这个节点  #比如在创建一个硬链接,那么上面由1变成2,而软链接是不会的。
第四列:文件的所有者(root)
第五列:文件的所有组(root)
第六列:容量大小,单位默认为B 1778为容量
第八列:创建或最近修改的时间
第九列:文件名
链接(软连接与硬链接):复制上面log下面的文件到/home/XD目录下面: cp *. log /home/XD
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
软连接:ln -s  (等于win系统的一个软件,之后一个应用,你创建个快捷方式,移动到桌面就相当于软连接)
eg:ln -s /home/XD/yum.log /usr/local/  
如果不加上绝对路径的话也可以创建(ln -s yum.log /usr/local)这个之前的步骤是进入到home目录下的XD目录;
目录下面是有这个yum.log这个文件的,之后创建软连接到后面的local目录下面
但是查看这个的时候那个yum.log会一直闪烁,正因为软链接是是不可以读取的。 
l:代表软链接。上面是把那个路径下的日志复制到了后面的那个路径下面。

i节点号跟源文件不一样,源文件一旦删除,软链接将找不到源文件。(注意!!!)

硬链接:ln
eg:ln /home/XD/yum.log /usr/local/XD/
i节点(就是上面那个框的开头的那串数字)与源文件一模一样,源文件删除,硬链接还可以继续使用。
常用于防止重要文件被误删(注意!!!)
ls -lrti    这个命令可以查看相关的数据,就是如果把原文件的软连接删除的话
那么创建的软连接就不可读取了,而硬链接是可以的。

ls -lrti 接上文件名字可查看属性。
修改文件的权限命令chmod(r=4,w=2,x=1):

-R #递归的意思

135088935 -rw-------. 1 root root 1778 Oct 1 2020 yum.log比如这个只有读跟写的权限

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
注意!!rw-------:分为三列 rw- --- ---,第一列为所属者的权限,第二列为所属组的权限,第三列为其它的权限

chmod -R 777 /home/XD/*    
#777代表的是把三组分别赋予rwx rwx rwx 的权限,这里表示把XD下面的全部文件赋予777限权。

操作实例:

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
eg:
chmod u+x,g+w,o+w boot.log     #u是文件的所属组的权限,u+x就为上面添加可执行权限
chmod u-x,g-w,o-w boot.log     #-号是减掉他的这个权限
chmod 777 boot.log

chmod g+w *.log(进入到某个文件目录下后),比如进入到XD 用户后本来他不属于root组,现在用 usermod -g root XD修改为root组。

修改文件的所有者跟所属组命令chown:
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
eg:更改文件目录XD 的所属者为root用户 跟 所属组为XD组
chown -R root:XD XD
文件归档:

文件归档也称之为打包,指的是一个文件或者多个文件或者目录的一个集合,这个集合储存在一个文件中。归档文件是没有进行压缩的,所以占用的空间是所有文件或者目录的总和。工作中经常与压缩结合在一起使用

文件压缩:

节约磁盘空间,加快文件的传输速率

解压缩命令:gzip;xz
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
gzip:!!!不能压缩目录!!!!,!只能压缩文件!,压缩速度最快,但是压缩比例比较低。扩展名:.gz

不保留源文件压缩:gzip 123.txt       执行这个命令后变成123.txt.gz(不会保留源文件)

保留源文件压缩:gzip -c 345.txt > 345.txt.gz    (执行之后原文件依旧存在)

不保留源文件的解压:gunzip 123.txt.gz      (将gz后缀去掉,不保留源文件)

保留原文件的解压:gunzip -c 345.txt.gz > 234.txt         (重定向)

不保留源文件解压:gzip -d 345.txt.gz     (另一种不保留源文件的)
xz :可以压缩目录和文件压缩的速度比较慢,但是压缩比例最高。扩展名:.xz
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
不保留源文件压缩:xz 123.txt

保留源文件压缩:xz -c 345.txt > 345.txt.xz

不保留源文件的解压:unxz 345.txt.xz

保留原文件的解压:xz -d -k 123.txt.xz

不保留源文件解压:xz -d 123.txt.xz
归档与压缩命令tar:
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
-c #创建新文件

 -f #指定文件格式

 -x#解压档案

 -v #显示详细过程
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
eg:tar -cf vmware.tar vmware-tools-distrib;tar -cvf vmware-tools.tar vmware-tools-distrib  (那个命名方式一定要加上.tar)
-z 
以gzip方式归档压缩 eg:tar -zcvf vmware-tools.tar.gz vmware-tools-distrib

-J  
以xz方式进行归档压缩 eg:tar -Jcvf vmware-tools.tar.xz vmware-tools-distrib;   (把 vmware-tools-distrib这个文件压缩归档为vmware-tools.tar.xz这个文件   ,其中这个文件是可以改名字,记住加后缀。

tar -cvJf /home/XD/vmware-tools.tar.xz vmware-tools-distrib        
这样归档压缩的文件将会出现在你指定的目录下
文档的解压缩(重要!!工作中最常用的命令之一)
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
-v #解档解压操作      
解压vmware-tools.tar.xz:
tar -xf vmware-tools.tar.xz  (去掉了.tar.gz后缀)
还可以用以下方式解压:
例如有一个 pcre-8.43.tar.gz文件  
输入 tar -xzvf pcre-8.43.tar.gz可以加压出 pcre-8.43

有一点要注意,.tar.xz的文件后缀的不可以直接解压,因为暂时还没有直接加压.tar.xz后缀的命令,解压这种文件的时候采取分步解压,即一步步解压出源文件。

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
解压命令:

xz -d filename.tar.xz

得到filename.tar

tar -zxvf filename.tar 

完成解压.
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2021/12/18 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
人工神经网络真的像神经元一样工作吗?
人工神经网络和机器学习已经成为大众媒体的热门主题。智能机器这一想法勾起了很多人的想象,而且人们特别喜欢把它和人类放一起比较。特别是有一个关于人工智能的底层机制的基础问题经常出现——这些人工神经网络的工作方式真的和我们大脑中的神经元相似吗?
崔庆才
2019/09/04
1.2K0
人工神经网络真的像神经元一样工作吗?
启示AGI之路:神经科学和认知心理学大回顾 全译上
A Review of Findings from Neuroscience and Cognitive Psychology as Possible Inspiration for the Path to Artificial General Intelligence
CreateAMind
2024/07/05
4520
启示AGI之路:神经科学和认知心理学大回顾 全译上
赫尔辛基大学AI基础教程:神经网络基础(5.1节)
原因之一是希望了解我们自己的思想,这是从我们大脑中的神经处理中产生的。另一个原因是近年来通过结合大量数据集和深度学习技术实现的机器学习的进步。
AiTechYun
2018/07/27
5010
赫尔辛基大学AI基础教程:神经网络基础(5.1节)
Geoff Hinton:我反对谷歌军事项目,论文评审机制正在阻碍创新
20 世纪 70 年代初期,Geoff Hinton 开始做简单的数学模型,模仿人脑神经元视觉理解世界的过程。之后数十年,人工神经网络仍然是一门不实用的技术。但是 2012 年,Hinton 和他的两名本科生使用神经网络实现了计算机图像目标识别准确率的大幅提升。之后六个月内,谷歌收购了这三名研究者创办的创业公司 DNNresearch。
机器之心
2018/12/27
3720
Geoff Hinton:我反对谷歌军事项目,论文评审机制正在阻碍创新
观点 | 专访Geoff Hinton:全新的想法将比微小的改进更有影响力
AI 科技评论按,日前,WIRED 对 Hinton 进行了一次专访,在访谈中,WIRED 针对人工智能带来的道德挑战和面临的挑战等问题进行了提问,以下为谈话内容,雷锋网 AI 科技评论编译整理。
AI科技评论
2018/12/29
5020
观点 | 专访Geoff Hinton:全新的想法将比微小的改进更有影响力
深度学习与神经科学相遇(一)[译]
Figure 0. The Genetic Geography of the Brain - Allen Brain Atlas
CreateAMind
2018/07/24
2870
深度学习与神经科学相遇(一)[译]
深度学习与神经科学相遇(三)译
本文探讨了神经网络中的反向传播算法和误差梯度,以及使用合成梯度来训练神经网络。作者介绍了一种新的训练神经网络的方法,该方法使用合成梯度来训练神经网络,以解决梯度消失和梯度爆炸的问题。该方法使用一个简单的学习规则,通过从输出层到输入层反向传播误差梯度,来训练神经网络。作者还介绍了一种使用合成梯度的变体,该变体可以加速训练,并且可以使用更复杂的权重更新规则。这些方法具有生物学的启发性,因为它们模拟了大脑中神经元之间的信号传递和梯度传递机制。
企鹅号小编
2017/12/28
6340
深度学习与神经科学相遇(三)译
Science子刊:人脑存在加速学习机制,算力赛过最新AI算法
机器学习和深度学习算法的起源,是连接大脑中神经元的突触强度的学习机制,它越来越多地影响着当代生活的几乎所有方面。
新智元
2020/04/26
7620
Science子刊:人脑存在加速学习机制,算力赛过最新AI算法
代码:Learning to Learn and Forget
Short-Term Plasticity Neurons Learning to Learn and Forget2206.14048
CreateAMind
2023/09/01
1940
代码:Learning to Learn and Forget
业界 | Nature:能自主学习的人工突触,为无监督学习开辟新的路径
选自Nature 机器之心编译 参与:蒋思源、刘晓坤 近日,Nature 发表了一个研究团队开发的一种能自主学习的人工突触,它能提高人工神经网络的学习速度。该研究表明记忆就是神经元间相连接突触的强度分布所表示,而学习可以通过突触的重新配置(即可塑性)而实现。这种能自主学习的人工突触有助于无监督学习的进一步发展。机器之心对该研究进行了简要介绍,详细的研究论文请查看 Nature 上的论文。 模拟大脑 人工智能的发展和进步很大程度上归咎于人类大脑模拟技术的支持。在信息技术领域中,这样的 AI 系统被称作神经网络
机器之心
2018/05/08
1.1K0
业界 | Nature:能自主学习的人工突触,为无监督学习开辟新的路径
超高效人工光电神经元成真?速度比自然神经元快3万倍,研究登Nature子刊
在人工神经网络中,被称之为神经元的诸多组件被植入数据并协同来解决诸如人脸识别等问题。神经网络反复调整相互间的突触——一种神经元之间的连接,确定由此产生的行为模式是否为更佳的解决方案。但随着时间推移,神经网络最终会在计算的结果中发现最佳的行为模式。而后它会选取这些模式作为默认值,模仿人脑的学习过程。
机器之心
2022/12/15
2750
超高效人工光电神经元成真?速度比自然神经元快3万倍,研究登Nature子刊
Nature子刊:大脑学习也靠反向传播?Hinton等用新一代反向传播算法模拟神经网络
反向传播全称叫“误差反向传播”,英文Backpropagation,缩写为BP算法。作为训练神经网络的基本算法之一,反向传播对于新智元的程序员读者们来说一定不陌生。
新智元
2020/04/23
1.2K0
Nature子刊:大脑学习也靠反向传播?Hinton等用新一代反向传播算法模拟神经网络
AI综述专栏|神经科学启发的人工智能
在科学研究中,从方法论上来讲,都应先见森林,再见树木。当前,人工智能科技迅猛发展,万木争荣,更应系统梳理脉络。为此,我们特别精选国内外优秀的综述论文,开辟“综述”专栏,敬请关注。
马上科普尚尚
2020/05/14
1.1K0
深度学习与神经科学相遇:不同脑区优化成本函数程序化实现分析
【新智元导读】本文是利物浦大学张嘉伟向新智元的投稿,原文首发于知乎。他翻译了论文“Toward an Integration of Deep Learning and Neuroscience”并写下
新智元
2018/03/26
1.2K0
深度学习与神经科学相遇:不同脑区优化成本函数程序化实现分析
人工神经网络中的脑启发学习综述
Brain-inspired learning in artificial neural networks: a review
算法进阶
2023/08/28
3930
人工神经网络中的脑启发学习综述
Deepmind“预测地图”论文背后:神经科学或将助力AI迎来新突破
对人类神经网络的理解越来越在左右人工智能的未来研究,连Deepmind也不例外。 2017年10月2日,《NATURE NEUROSCIENCE》发表了Deepmind的一篇《The hippoca
AI科技评论
2018/03/14
8830
Deepmind“预测地图”论文背后:神经科学或将助力AI迎来新突破
神经科学的深度学习框架
系统神经科学寻求解释大脑如何执行各种感知、认知和运动任务。相反,人工智能试图根据它们必须解决的任务来设计计算系统。对于人工神经网络,设计指定的三个组件是目标函数、学习规则和架构。随着利用大脑启发架构的深度学习越来越成功,这三个设计组件越来越成为我们如何建模、设计和优化复杂人工学习系统的核心。在这里,我们认为更多地关注这些组件也有利于系统神经科学。我们举例说明了这种基于优化的框架如何推动神经科学的理论和实验进展
CreateAMind
2023/09/01
2250
神经科学的深度学习框架
Brain-Inspired-AI系列——AI+脑科学:人工智能与脑科学相互促进的作用
CV - 计算机视觉 | ML - 机器学习 | RL - 强化学习 | NLP 自然语言处理 本文章仅用于学术分享,如有侵权请联系删除
AiCharm
2025/03/19
2610
Brain-Inspired-AI系列——AI+脑科学:人工智能与脑科学相互促进的作用
nature reviews neuroscience:前额叶学习的时间尺度
在人类和其他灵长类动物中,侧前额叶皮层(PFC)对于即时的、目标导向的行为和工作记忆至关重要,这在经典上被认为与支持长期学习和记忆的认知和神经回路是不同的。然而,在过去几年中,人们对这种教科书观点进行了重新考虑,即在追求即时目标的过程中,不同时间尺度的记忆引导行为不断相互作用。在这里,我们首先详细介绍与目标导向行为最短时间尺度相关的神经活动(需要在工作记忆中维持当前状态和目标),以及如何通过长期知识和学习塑造这些活动 — 即过去如何影响当前行为。然后,我们将概述从秒到年的不同时间尺度上的学习如何驱动灵长类动物侧前额叶皮层的可塑性,从单个神经元的放电率到中尺度神经影像活动模式。最后,我们将回顾在学习的几天和几个月中,PFC中密集的局部和远程连接模式如何通过改变突触权重和招募额外的神经资源来促进种群活动的持久变化,以指导未来行为。我们的综述揭示了PFC回路中可塑性机制如何促进通过时间整合学习经验以最佳地指导适应性行为。
悦影科技
2024/12/19
1770
Nature:功能神经成像作为整合神经科学的催化剂
功能性磁共振成像(fMRI)可以非侵入性地记录清醒的、有行为的人类大脑。通过跟踪不同认知和行为状态的全脑信号,或绘制与特定特征或临床状况相关的差异,功能磁共振成像提高了我们对大脑功能及其与正常和非典型行为之间联系的理解。尽管取得了这些进展,但使用功能磁共振成像的人类认知神经科学的进展与神经科学其他子领域的快速进展相对孤立,这些子领域本身也在某种程度上彼此孤立。从这个角度来看,我们认为功能磁共振成像可以很好地整合系统神经科学、认知神经科学、计算神经科学和临床神经科学的不同子领域。我们首先总结了功能磁共振成像作为一种成像工具的优点和缺点,然后重点介绍了在神经科学的每个子领域成功使用功能磁共振成像的研究实例。然后,我们为实现这一综合愿景所需的未来进展提供了路线图。通过这种方式,我们希望展示功能磁共振成像如何帮助开创神经科学跨学科一致性的新时代。
悦影科技
2023/11/26
3910
推荐阅读
相关推荐
人工神经网络真的像神经元一样工作吗?
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档
本文部分代码块支持一键运行,欢迎体验
本文部分代码块支持一键运行,欢迎体验