Bash Shell脚本学习——唇读数据集格式修复脚本

【1】脚本目的

在部署唇读识别项目时，我遇到了一个奇怪的现象：数据集明明完整存在，但训练脚本却报告所有标签的train和val数据都是0！经过系统排查，最终发现罪魁祸首竟然是——Windows换行符。

【2】脚本内容

#(2)确认数据文件存在
# 查找所有pkl文件
find "$DATA_PATH" -name "*.pkl" -type f | head -20  # 前20个pkl文件
find "$DATA_PATH" -name "*.pkl" -type f | wc -l  # pkl文件总数#(3)检查标签格式
# 检查第一个标签的格式
head -1 label_sorted.txt | od -c | head -3  # 查看不可见字符
head -1 label_sorted.txt | grep -P '\r' && echo "发现\\r字符"  # 检查Windows换行符#(4)修复步骤
cp label_sorted.txt label_sorted.txt.bak  # 备份
cat label_sorted.txt | tr -d '\r' > label_sorted.txt.new  
mv label_sorted.txt.new label_sorted.txt  # 替换原文件
echo "验证修复后的数据情况:"
TOTAL=0
WITH_DATA=0while read -r label; do[ -z "$label" ] && continueTOTAL=$((TOTAL + 1))TRAIN=$(find "$DATA_PATH/$label/train" -name "*.pkl" 2>/dev/null | wc -l)VAL=$(find "$DATA_PATH/$label/val" -name "*.pkl" 2>/dev/null | wc -l)[ "$TRAIN" -gt 0 ] && [ "$VAL" -gt 0 ] && WITH_DATA=$((WITH_DATA + 1))
done < label_sorted.txtecho "标签总数: $TOTAL"
echo "有完整数据的标签: $WITH_DATA"

【3】逐句语法分析

(1)find "$DATA_PATH" -name "\*.pkl" -type f | head -20

• 命令: 文件查找与结果限制。

• 语法:

  • DATA_PATH="/home/liyana/my dataset/"
    

    引号告诉Shell："/home/liyana/my dataset/" 是一个完整的字符串；变量 DATA_PATH 存储的值是：/home/liyana/my dataset/ （不包含引号）

  • find 路径: 在指定路径下递归搜索文件和目录。

  • -name "模式": 按文件名匹配，* 为通配符代表任意字符。

  • -type f: 只搜索普通文件（file），排除目录等其他类型。

  • | head -20: 将查找结果通过管道传递给 head，仅显示前20行。

(2)find "$DATA_PATH" -name "\*.pkl" -type f | wc -l

• 命令: 文件查找与数量统计。
• 语法:
  • find "$DATA_PATH" -name "*.pkl" -type f: 查找所有pkl格式的普通文件。
  • | wc -l: 将找到的文件列表通过管道传递给 wc -l 统计行数，即文件总数。

(3)head -1 label_sorted.txt | od -c | head -3

• 命令: 以ASCII字符形式显示文件内容，可以看到空格、换行符、制表符等不可见字符。
• 语法:
  • head -1 label_sorted.txt: 提取标签文件的第1行。
  • | od -c: 通过管道将内容传递给 od (octal dump) 命令，-c 参数表示用字符形式显示。
  • | head -3: 仅显示 od 命令输出的前3行，避免信息过多。

(4)head -1 label_sorted.txt | grep -P '\r' && echo "发现\\r字符"

• 命令: 专门检查文件中是否包含Windows换行符 (\r\n)，这在Linux环境下可能导致解析问题。

• 语法:

  • head -1 label_sorted.txt: 同样提取第1行。

  • | grep -P '\r': 通过管道用 grep (Global Regular Expression Print)搜索，-P 启用Perl正则表达式，\r 匹配回车符。

  • grep -P：超级模式，支持各种高级匹配

    语法	含义	用途
    \r	回车符	检测Windows换行
    \n	换行符	检测Linux换行
    \t	制表符	找到tab字符
    \x{263a}	Unicode字符	匹配表情符号等
    \d	数字	等同于 [0-9]
    \s	空白字符	空格、tab、换行等

  • && echo "发现\\r字符": 如果前面的 grep 命令成功找到 \r 字符，则执行 echo 输出提示信息。

(5)head -1 label_sorted.txt | grep -P '\r' && echo "发现\\r字符"

• 命令: 特定字符检测与条件提示。
• 语法:
  • head -1 label_sorted.txt: 同样提取第1行。
  • | grep -P '\r': 通过管道用 grep 搜索，-P 启用Perl正则表达式，\r 匹配回车符。
  • && echo "发现\\r字符": 如果前面的 grep 命令成功找到 \r 字符，则执行 echo 输出提示信息。
• 作用: 专门检查文件中是否包含Windows换行符 (\r\n)，这在Linux环境下可能导致解析问题。

(6)cp label_sorted.txt label_sorted.txt.bak

• 命令: 文件备份。
• 语法:
  • cp: copy ，复制文件或目录。
  • cp 源文件 目标文件: 复制源文件到目标文件。
  • 如果目标文件已存在，则会被覆盖。

(7)cat label_sorted.txt | tr -d '\r' > label_sorted.txt.new

• 命令: 读取原标签文件，删除其中所有的Windows回车符，并将"净化"后的内容保存到一个新文件中。
• 语法:
  • cat label_sorted.txt: catenate( 串联)，读取并输出指定文件的内容。（cat file1.txt file2.txt file3.txt把三个文件串联起来显示）
  • |: 管道，将前一个命令的输出作为后一个命令的输入。
  • tr -d '\r': translate(字符转换/转译)，-d 参数表示 delete，删除输入流中所有的 \r (回车符) 字符。
  • > label_sorted.txt.new: 输出重定向，将前面管道处理后的结果写入到新文件 label_sorted.txt.new (会覆盖已存在的文件)。

(8)mv label_sorted.txt.new label_sorted.txt

• 命令: 用已修复的新文件替换原始文件，完成修复操作。
• 语法:
  • mv 源文件 目标文件: move,将源文件移动至目标文件。

---

(9)while read -r label; do

while read -r label; do# 循环体...
done < label_sorted.txt  # 👈 输入来自这个文件！

• 命令: 开始一个循环，逐行读取文件内容，每行内容存入变量 label 中。
• 语法:
  • while ...; do ... done: while 循环结构，当条件为真时，重复执行 do 和 done 之间的代码块。
  • read -r label: read 命令从标准输入读取一行，-r 参数表示 raw (原始模式，不解释反斜杠转义符)，并将读取的内容赋值给变量 label。

---

(10)TOTAL=$((TOTAL + 1))

• 命令: 将变量 TOTAL 的值加1，实现标签总数的计数。
• 语法:
  • $(( 算术表达式 )): 算术扩展，Shell会计算双括号内表达式的值。
  • 变量无需在表达式内加 $ 符号引用。常见用法：result=$((a + b))

---

(11)[ "$TRAIN" -gt 0 ] && [ "$VAL" -gt 0 ] && WITH_DATA=$((WITH_DATA + 1))

• 命令: 如果当前标签的训练集和验证集文件数量都大于0，则将有效数据计数器 WITH_DATA 加1。

• 语法:

  • [ "$TRAIN" -gt 0 ]: 条件测试，判断变量 TRAIN 的值是否 greater than (大于) 0。

  • 当变量包含空格、制表符时，没有引号"$TRAIN"会出问题：

    # 假设 TRAIN 的值是 "5"（正常情况）
    [ $TRAIN -gt 0 ]  # 替换后：[ 5 -gt 0 ] → ✅ 正常# 假设 TRAIN 的值是 ""（空字符串）
    [ $TRAIN -gt 0 ]  # 替换后：[ -gt 0 ] → ❌ 语法错误！# 假设 TRAIN 的值是 "5 "（末尾有空格）
    [ $TRAIN -gt 0 ]  # 替换后：[ 5 -gt 0 ] → ❌ 多了一个参数！
    

  • [ "$VAL" -gt 0 ]: 判断变量 VAL 的值是否大于0。

  • &&: 逻辑"与"，连接多个条件/命令。

  • WITH_DATA=$((WITH_DATA + 1)): 算术运算，将变量 WITH_DATA 的值加1。

【4】脚本中的知识点总结

类别	语法要素	记忆技巧
基础命令	cd, echo, ls, head, wc, find, cat, tr, cp, mv, grep, od	记英文原意：cd=换目录 echo=回声 ls=列表 wc=字数统计 cat=串联 tr=转换 cp=复制 mv=移动 grep=全局正则 od=八进制转储
条件测试	[ -z "$var" ] [ $a -eq $b ] [ $a -gt $b ]	-z=zero(空吗?) -eq=equal(相等吗?) -gt=greater than(大于吗?)
命令替换	$(命令)	“先把命令结果算出来，再放这里” 动态获取数据
算术运算	$((表达式))	数学计算小助手 内部变量不加$
变量操作	变量=值 $变量	给数据贴标签，用时喊名字
错误处理	2>/dev/null 命令 && 成功操作	错误信息丢黑洞，脚本安静运行 成功才继续的链式操作
文件安全	cp 源 目标 mv 源 目标	先备份再修改
字符处理	tr -d '字符' grep -P '模式'	tr=字符转换器 -d=删除 grep -P=超级搜索模式