当前位置:首页 > 文章列表 > 文章 > linux > Linux lsfd 怎样按进程筛选打开的文件描述符

Linux lsfd 怎样按进程筛选打开的文件描述符

来源:17golang原创 2026-10-31 04:40:06 0浏览 收藏

要按进程查看打开的文件描述符,优先使用 lsfd --pid PID。它在收集阶段就把范围限制到指定进程,通常比先扫描所有进程再写 --filter 'PID == ...' 更合适;拿到目标集合后,再用 --output 固定列,用 --filter 过滤 FD、TYPE、NAME 或 DELETED。

最小可用写法是 lsfd --pid 4182 --output PID,FD,TYPE,NAME。多个进程用逗号分隔;需要按文件类型或编号继续缩小时,再追加 -Q(--filter)。

官方参考手册:https://man7.org/linux/man-pages/man1/lsfd.1.html

先把进程和输出字段确定下来

lsfd 是 Linux 专用的文件描述符查看工具,定位思路可以拆成三层:先确定 PID,再收集这个进程拥有的 FD,最后决定显示哪些属性。不要直接依赖默认输出,因为手册明确提醒默认列可能变化;脚本和排障记录都应该显式写出列名。

# 先从进程名取得 PID;实际环境可能返回多个 PID
pidof nginx

# 先查看当前 lsfd 可用的字段名,再选择脚本需要的列
lsfd --list-columns

# 固定输出进程、描述符编号、类型和名称
lsfd --pid "$(pidof nginx)" --output PID,FD,TYPE,NAME

这里的 PID 表示打开文件的进程,FD 是描述符编号,TYPE 可以帮助区分普通文件、套接字等对象,NAME 是面向阅读的名称。pidof 返回空值时,命令不会凭空找到进程,应先确认进程是否仍在运行。

用 --pid 把采集范围缩小到目标进程

--pid(短选项 -p)接收一个逗号分隔的 PID 列表,也可以使用空格分隔的列表。它和过滤表达式的差别不只是写法:按手册说明,--pid 在更早的处理阶段限制收集范围,因此只看少数进程时更高效。

# 只收集一个进程的文件描述符,并固定列顺序
lsfd --pid 4182 --output PID,FD,TYPE,NAME

# 同时收集两个进程;逗号分隔比依赖默认输出更明确
lsfd --pid 4182,5720 --output PID,FD,TYPE,NAME

# 也可以把进程名解析出的 PID 直接交给 --pid
lsfd --pid "$(pidof firefox)" --output PID,FD,TYPE,NAME
Linux lsfd 按 PID 限定进程与文件描述符采集范围的结构说明图
图1:静态结构图展示 lsfd 按 PID 收集文件描述符的范围,不是运行截图或执行证据。

如果目标进程刚好重启,旧 PID 对应的集合会消失;如果进程运行在不同 PID namespace 中,看到的 PID 也可能与宿主机观察到的编号不同。遇到空结果时,先确认 PID 生命周期和当前观察位置,再调整命令。

用 --filter 继续筛选 FD 和文件类型

当进程范围已经确定,-Q 或 --filter 适合表达字段条件。它能按 PID、FD、TYPE、NAME、DELETED 等列筛选;条件可以用 and、or,也可以使用对应的符号写法。

# 先按 PID 收集,再只保留编号不小于 3 的描述符
lsfd --pid 4182 --filter 'FD >= 3' --output PID,FD,TYPE,NAME

# 在目标进程范围内只查看普通文件
lsfd --pid 4182 --filter 'TYPE == "REG"' --output PID,FD,NAME

# 查找已经从文件系统删除、但仍被进程持有的对象
lsfd --pid 4182 --filter 'DELETED' --output PID,FD,TYPE,NAME

# 需要把多个字段组合起来时,用括号明确优先级
lsfd --filter '(PID == 4182) and (FD >= 3)' --output PID,FD,TYPE,NAME

最后一条可以表达和 --pid 4182 --filter 'FD >= 3' 类似的结果,但在只限定进程的场景里,优先写 --pid 更符合“先缩小采集,再筛字段”的路径。过滤表达式里的字段名、比较符和字符串引号要保持完整,避免被 Shell 提前解释。

Linux lsfd 字段过滤与稳定输出列关系的结构说明图
图2:静态结构图展示字段过滤与固定输出列的关系,不是运行截图或执行证据。

脚本化时固定列,并留意权限边界

排障命令可以先输出 PID,FD,TYPE,NAME,需要网络对象时再加入 TCP.LADDR、TCP.RADDR 等专用列。机器处理可以考虑 --json,但仍建议显式选择列;手册还提醒 --summary 与 --json 的组合有使用限制。

# 给脚本使用时固定列,避免默认列变化影响解析
lsfd --pid 4182 --output PID,FD,TYPE,NAME --raw

# 先列出可用字段,再决定 JSON 中需要保留哪些属性
lsfd --list-columns --json

# 只筛选某类对象时,先限制进程再输出机器可读结果
lsfd --pid 4182 --filter 'TYPE == "UNIX-STREAM"' --output PID,FD,TYPE,NAME --json

权限不足、进程退出、容器内端点信息不可见,都可能让某些行缺失或字段无法填充。不要把一次空结果直接解释为“进程没有打开文件”:应先复查 PID 是否仍存在、当前用户是否有权读取相关进程信息,以及是否在正确的 PID namespace 中观察。

常见问题

--pid 和 --filter 'PID == ...' 应该选哪个?

只按进程筛选时选 --pid,因为它更早限制收集范围;需要把 PID 与 FD、TYPE 或 NAME 条件组合时,再使用 --filter。

为什么脚本不应该直接解析默认输出?

默认列可能随着版本变化。用 --output 指定字段,并按需要配合 --raw 或 --json,接口边界更清楚。

按 PID 查不到结果时先查什么?

先确认进程仍然存在且 PID 没有因重启改变,再检查权限和 PID namespace;如果目标是删除后仍被占用的文件,可以改用 --filter 'DELETED' 查看。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Python difflib.restore 怎样从差异流恢复原始文本Python difflib.restore 怎样从差异流恢复原始文本
上一篇
Python difflib.restore 怎样从差异流恢复原始文本
Go netlink 消息序号与进程标识有什么区别
下一篇
Go netlink 消息序号与进程标识有什么区别
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    803次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    793次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    881次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    851次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    682次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码