2007 年 5 月 28 日

幾乎所有重要問題都需要從無用數(shù)據(jù)中過濾出有用數(shù)據(jù)。了解大量的 UNIX? 命令行實用工具如何使用正則表達(dá)式 來去蕪取精。

非常奇怪，直到今天我仍然能重復(fù)周六早上的經(jīng)典歌曲“Conjunction Junction”。這是好事（看了太多電視）還是壞事（也許是我現(xiàn)在職業(yè)的先兆）仍然有待討論。不管怎樣，這首小調(diào)在歡快的節(jié)奏下傳遞了基本的信息。

我還沒有為學(xué)習(xí) UNIX 構(gòu)想出與“Conjunction Junction”相似的作品，但是我會在未來的幾個月里嘗試親手編寫這樣的歌曲。與此同時，趁著快樂回憶所帶來的好心情，我們繼續(xù)以 Schoolhouse 搖滾的傳統(tǒng)學(xué)習(xí)方式攻克命令行。

現(xiàn)在開始上課。吐出嘴里的口香糖，回到您的座位上，然后拿出一根二號鉛筆。還有您，Spicoli。

模仿秀

您可以將 UNIX 命令行看作是一句話：

• 可執(zhí)行命令，如 cat 或 ls，是動詞——操作。
• 命令的輸出是名詞——要查閱或使用的數(shù)據(jù)。
• Shell 操作符，如 |（管道）或 >（重定向標(biāo)準(zhǔn)輸出），是連詞——用于連接句子。

例如，命令行：ls -A | wc -l 用于計算當(dāng)前目錄下的條目數(shù)（忽略特殊條目 . 和 ..），它包含兩個句子。第一個句子 ls -A 是動詞結(jié)構(gòu)，列舉當(dāng)前目錄下的內(nèi)容，第二個句子 wc -l 是另一個動詞結(jié)構(gòu)，用于計算行數(shù)。第一個句子輸出的結(jié)果作為第二個句子的輸入，并由連接詞（管道）連接這兩個句子。

在本系列文章以及其他文章中展示的許多您可能已經(jīng)學(xué)習(xí)過的命令行句式都具有這種句子結(jié)構(gòu)。

但是，如果缺少了文法上的修飾語，命令行將顯得不專業(yè)。當(dāng)然，基本句子也能完成工作，但是這樣顯得不優(yōu)美。（在此對高中英語演唱二人組 Rad 女士和 Perlstein 女士表示歉意。）解決更有趣的問題需要用到形容詞。

幾乎所有重要問題都需要從無用數(shù)據(jù)中過濾出有用數(shù)據(jù)。雖然屬性的數(shù)量和種類會有所不同，但是每種方案都通過某種方式（形式或格式），隱式或顯式地描述了它要查找并處理的信息，從而生成另外一種形式的其他信息。

在命令行中，正則表達(dá)式 的作用相當(dāng)于形容詞——一種描述或限定詞。在應(yīng)用到輸出時，正則表達(dá)式可辨別相關(guān)數(shù)據(jù)和無關(guān)數(shù)據(jù)。

標(biāo)點(diǎn)概述

讓我們看一個示例問題。

grep 實用工具逐行過濾輸入并尋找匹配。grep 的最簡單應(yīng)用是打印那些包含與某個模式匹配的文本的行。grep 可以查找具有固定順序的字符組合，甚至可以通過使用 -i 選項來忽略大小寫。

因此，假定文件 heroes.txt 包含以下行：

Catwoman
                        Batman
                        The Tick
                        Spider Man
                        Black Cat
                        Batgirl
                        Danger Girl
                        Wonder Woman
                        Luke Cage
                        The Punisher
                        Ant Man
                        Dead Girl
                        Aquaman
                        SCUD
                        Spider Woman
                        Blackbolt
                        Martian Manhunter
                        

命令行：

grep -i man heroes.txt
                        

將生成：

Catwoman
                        Batman
                        Spider Man
                        Wonder Woman
                        Ant Man
                        Aquaman
                        Martian Manhunter
                        

其中 grep 掃描 heroes.txt 文件中的每一行并查找字母 m，后面緊跟 a，然后緊跟 n。除了必須保證相鄰，這些字母可以出現(xiàn)在行的任何位置，甚至可以位于較大的單詞中間。在不考慮大小寫的情況下（-i 選項），Catwoman、Batman、Spider Man、Wonder Woman、Ant Man、Aquaman 和 Martian Manhunter 都包含字符串 man。

grep 實用工具包含其他可優(yōu)化搜索的內(nèi)置選項。例如，-w 選項限制于匹配整個單詞，因此 grep -i -w man 將排除 Catwoman 和 Batman（舉例來說）。

該工具還有一個優(yōu)秀的功能，可以排除而不是包括所有匹配的搜索結(jié)果。使用 -v 選項來排除 匹配的行。例如：

grep -v -i 'spider' heroes.txt
                        

將打印除了包含字符串 spider 之外的所有行。

Catwoman
                        Batman
                        The Tick
                        Black Cat
                        Batgirl
                        Danger Girl
                        Wonder Woman
                        Luke Cage
                        The Punisher
                        Ant Man
                        Dead Girl
                        Aquaman
                        SCUD
                        Blackbolt
                        Martian Manhunter
                        

但是，對于以下這些情況，您該如何處理？只希望得到那些開頭為“Bat”的單詞；或者以“bat”、“Bat”、“cat”或“Cat”開頭的單詞？或者希望知道有多少漫畫復(fù)仇者的名字以“man”結(jié)束。在這些實例中，類似于上述三個示例的簡單字符串搜索將無法滿足要求，因為這些搜索不區(qū)分位置。

位置、位置、位置和備選項

正則表達(dá)式可以 過濾特定的位置，例如行的開始或結(jié)束，以及單詞的開始和結(jié)束。正則表達(dá)式（通常簡寫為 regex）還可以描述：備選項（您可將其稱為“this”或“that”）；固定長度、可變長度或不定長度的重復(fù)；范圍（例如，“a-m 之間的任意字母”）；還有字符的類別或種類（“可打印字符”或“標(biāo)點(diǎn)符號”），以及其他技術(shù)。

表 1 顯示了一些常用的正則表達(dá)式操作符。您可以連接表 1 中顯示的元素（以及其他操作符）并加以組合使用，從而構(gòu)建（非常）復(fù)雜的正則表達(dá)式。

以下是一些使用 grep 作為搜索工具的正則表達(dá)式示例。許多其他 UNIX 工具，包括交互式編輯器 vi 和 Emacs、流編輯器 sed 和 awk，以及所有現(xiàn)代編程語言都支持正則表達(dá)式。在您學(xué)會正則表達(dá)式的語法（也許相當(dāng)晦澀）之后，就可以將您的專業(yè)知識靈活運(yùn)用到不同的工具、編程語言和操作系統(tǒng)。

查找以“Bat”開頭的名稱

要查找以“Bat”開頭的名稱，請使用：

grep -E '^Bat'
                        

可以使用 -E 選項來指定正則表達(dá)式。^（脫字號）字符匹配行首或字符串的開頭，這是一個出現(xiàn)在每行或每個字符串開頭字符之前的假想字符。字母 B、a 和 t 只具有字面含義并且僅匹配那些特定的字符。因此，命令 grep -E '^Bat' 將生成：

Batman
                        Batgirl
                        

由于許多 regex 操作符也為 Shell 所使用（其中一些具有不同的用途，另外一些則有類似的用途），因此一個好的習(xí)慣是使用單引號將命令行中的每個 regex 括起來，以保護(hù) regex 操作符免遭 Shell 的誤解。例如，*（星號）和 $（美元符號）都是 regex 操作符，并且對于您的 Shell 具有特殊的含義。

查找以“man”結(jié)尾的名稱

要查找以“man”結(jié)尾的名稱，可以使用 regex man$ 來匹配序列 m、a 和 n，并且后面緊接與 regex 操作符 $ 匹配的行（字符串）。

查找空行

基于 ^ 和 $ 的作用，您可以使用 regex ^$ 來查找空行（相當(dāng)于在開始之后立即結(jié)束的行）。

備選項或集合操作符

要查找以“bat”、“Bat”、“cat”或“Cat”開頭的單詞，可以使用以下兩個技巧。首先是備選項，如果備選項中的任意 模式匹配，都會產(chǎn)生匹配的結(jié)果。例如，命令：

grep -E '^(bat|Bat|cat|Cat)' heroes.txt
                        

可實現(xiàn)這一技巧。regex 操作符 |（豎線）表示備選項，因此 this|that 匹配字符串 this 或字符串 that。因此，^(bat|Bat|cat|Cat) 表示“行首緊跟 bat、Bat、cat 或 Cat之一。”當(dāng)然，可以使用 grep -i 來簡化該 regex，這樣可以忽略大小寫，從而將命令簡化為：

grep -i -E '^(bat|cat)' heroes.txt
                        

匹配“bat”、“Bat”、“cat”或“Cat”的另一個方法是使用 [ ]（方括號）集合 操作符。如果將一組字符放在一個集合中，則可以匹配那些字符中的任意一個。（您可以將集合 看作是字符備選項的簡寫法。）

例如，命令行：

grep -E '^[bcBC]at' heroes.txt
                        

與以下命令生成的結(jié)果相同：

grep -E '^(bat|Bat|cat|Cat)' heroes.txt
                        

您可以再次使用 -i 將 regex 簡化為 ^[bc]at。

而且，還可以使用 -（連字符）操作符在集合中指定包含的字符范圍。例如，用戶名通常以字母開頭。假定要在提交給您的服務(wù)器的 Web 表格中驗證這樣的用戶名，可以使用類似于 ^[A-Za-z] 的 regex。此 regex 表示“字符串的開頭后緊跟任意大寫字母 (A-Z) 或任意小寫字母 (a-z)?！表槺阏f明一下，[A-z] 與 [A-Za-z] 作用相同。

還可以在集合中混合使用范圍和單個字符。regex [A-MXYZ] 將匹配任意大寫的 A-M、X、Y 和 Z。

并且，如果希望反轉(zhuǎn)集合（即排除集合中的任意字符），可以使用特殊集合 [^ ] 并包含要排除的范圍或字符。以下是反轉(zhuǎn)集合的示例。要查找所有名稱中包含 at 的超級英雄，并排除 Dark Knight 和 Batman，請鍵入：

grep -i -E '[^b]at' heroes.txt
                        

此命令生成：

Catwoman
                        Black Cat
                        

由于某些集合需要經(jīng)常使用，所以設(shè)計出簡化符號以代替大量字符。例如，集合 [A-z0-9_] 十分常用，因此可以簡寫為 \w。與此類似，操作符 \W 是集合 [^A-z0-9_] 的簡寫。還可以使用符號 [:alnum:] 代替 \w，使用 [^[:alnum:]] 代替 \W。

順便說明一下，\w（以及同義詞 [:alnum:]）是特定于區(qū)域的，而 [A-z0-9_] 即表示字母 A-z、數(shù)字 0-9 和下劃線。如果要開發(fā)國際化應(yīng)用程序，請使用區(qū)域特定的格式以使代碼可以在許多區(qū)域之間移植。

跟我一起重復(fù)：重復(fù)，重復(fù)，重復(fù)

到目前為止，已經(jīng)介紹了字面值、位置和兩種備選項操作符。僅使用這些內(nèi)容，就可以匹配大多數(shù)具有可預(yù)測 長度的模式?，F(xiàn)在回到用戶名，通過以下 regex 命令可以確保每個用戶名以字母開頭并緊跟恰好七個字母或數(shù)字：

[a-z][a-z0-9][a-z0-9][a-z0-9][a-z0-9][a-z0-9][a-z0-9][a-z0-9]
                        

但是這樣有點(diǎn)笨拙。而且，它只匹配恰好八個字符的用戶名。它不會匹配三到八個字符之間的名稱，這通常也是有效的用戶名。

正則表達(dá)式還可以包括重復(fù)修飾符。重復(fù)修飾符可以指定數(shù)量，如沒有、一個、多個、一個或多個，零或一個、五到十個，以及恰好三個。重復(fù)修飾符必須與其他模式組合，修飾符本身沒有含義。

例如，regex：

^[A-z][A-z0-9]{2,7}$
                        

可以實現(xiàn)前面描述的用戶名過濾功能。用戶名 是以字母開頭，后面緊跟至少兩個，但不超過七個字母或數(shù)字的字符串，并且緊跟字符串結(jié)尾。

此處的位置定位點(diǎn)非常重要。如果沒有兩個位置操作符，則會錯誤地接受任意長度的用戶名。為什么呢？請考慮 regex：

^[A-z][A-z0-9]{2,7}
                        

此命令辨別：字符串是否以字母開頭并緊跟二到七個字母？但是它未提到終止條件。因此，字符串 samuelclemens 滿足條件，但是它的長度顯然超出了有效用戶名的范圍。與此類似，省略開始定位點(diǎn) ^，或同時省略兩個定位點(diǎn)將分別匹配以類似 munster1313 結(jié)束或包含該字符串的字符串。如果必須匹配特定的長度，請記得在要求的模式的開頭和結(jié)尾分別加上分隔符。

以下是其他一些示例：

• 可以使用 {2,} 查找兩次或多次重復(fù)。regex ^G[o]{2,}gle 匹配 Google、Gooogle、Goooogle 等等。
• 重復(fù)修飾符 ?、+ 和 * 分別查找零次或一次、一次或多次，以及零次或多次重復(fù)。（例如，您可以將 ? 看作是 {0,1} 的簡寫法。）

  regex boys? 匹配 boy 或 boys；regex Goo?gle 匹配 Gogle 或 Google。

  regex Goo+gle 匹配 Google、Gooogle、Goooogle 等等。

  construct Goo*gle 匹配 Gogle、Google、Gooogle 等等。

• 可以將重復(fù)修飾符應(yīng)用到單個字符（如上所示），還可以應(yīng)用到更復(fù)雜的組合。使用 ( 和 ) 圓括號（就像數(shù)學(xué)中的用法）將修飾符應(yīng)用到子表達(dá)式。下面是一個示例：給定文本文件 test.txt：

  The rain in Spain falls mainly on the the plain. It was the best of of times; it was the worst of times.

  
  

  命令 grep -i -E '(\b(of|the)\W+){2,}' test.txt 將生成：

  on the the plain. It was the best of of times;

  
  
• regex 操作符 \b 匹配單詞邊界 或 (\W\w|\w\W)。該 regex 表示“一連串完整單詞‘the’或‘of’后面緊跟非文字字符?！蹦赡軙岢鲆蓡?，為什么 \W+ 是必需的：\b 是位于單詞開頭或結(jié)尾的空字符串。在單詞之間必須包括這一（或這些）字符，否則該 regex 將無法找到匹配。

捕獲需要注意的內(nèi)容

查找文本是常見的問題，但是更常見的問題則是希望在找到文本之后將其提取出來。換句話說，您希望去粗取精。

正則表達(dá)式通過捕獲 來提取信息。如果希望將需要的文本與其他內(nèi)容分開，請使用圓括號將模式括起來。實際上，您已經(jīng)使用圓括號收集術(shù)語；在默認(rèn)情況下，圓括號自動進(jìn)行捕獲。

要查看捕獲，請切換到 Perl。（grep 實用工具不支持捕獲，因為其目標(biāo)是打印包含模式的行。）

以下命令：

perl -n -e '/^The\s+(.*)$/ && print "$1\n"' heroes.txt
                        

將打?。?/p>

Tick
                        Punisher
                        

使用命令 perl -e 可以直接從命令行運(yùn)行 Perl 程序。perl -n 命令針對輸入文件的每一行運(yùn)行一次程序。命令的 regex 部分，即位于斜杠之間的文本（/）表示“匹配字符串的開頭，然后字母‘T’、‘h’、‘e’后緊跟一個或多個空格字符 \s+，然后捕獲直到字符串結(jié)尾的所有字符。

Perl 捕獲內(nèi)容被放在以 $1 開頭的特殊 Perl 變量中。Perl 程序的其余部分打印捕獲的內(nèi)容。

每個嵌套的括號對，從左開始算起，每個左圓括號加一，放在下一個特殊的數(shù)字變量中。例如：

perl -n -e '/^(\w)+-(\w+)$/ && print "$1 $2"'
                        

將生成：

Spider Man
                        Ant Man
                        Spider Woman
                        

捕獲感興趣的文本僅僅是隔靴搔癢。如果能夠準(zhǔn)確確定材料，就可以使用其他材料改變其外觀。類似于 vi 和 Emacs 的編輯器將模式匹配與替換組合，從而將查找和替換文本組合成一步操作。還可以使用模式、替換和 sed 從命令行更改文本。

豐富的主題

正則表達(dá)式非常強(qiáng)大；可供使用的操作符的數(shù)量龐大，種類繁多。它包含如此豐富的信息和實踐知識，我們在這里所能列舉的實屬鳳毛麟角。

幸運(yùn)的是，有以下三種優(yōu)秀的正則表達(dá)式理論來源可供使用：

• 如果在您的系統(tǒng)上有 Perl，可以參閱 Perl Regular Expression man 頁面（鍵入 perldoc perlre）。它會提供 regex 的精彩介紹，并包含許多有用的示例。許多編程語言都已采用 Perl 兼容的正則表達(dá)式 (PCRE)，因此您在此 man 頁面讀到的內(nèi)容已被直接轉(zhuǎn)換到 PHP、Python、Java? 和 Ruby 編程語言，以及許多其他最新工具。
• Jeffrey Friedl 編著的《正則表達(dá)式》（第三版）被認(rèn)為是 regex 用法方面的圣經(jīng)。該書細(xì)致、準(zhǔn)確、清晰、務(wù)實地說明了匹配的工作方式、所有的 regex 操作符、多數(shù)優(yōu)先性（限制 + 和 * 匹配字符的數(shù)量），以及更多內(nèi)容。此外，F(xiàn)riedl 的書還包括一些令人驚嘆的正則表達(dá)式，可以準(zhǔn)確地匹配完全限定的電子郵件地址和其他 Request for Comments (RFC) 特定的字符串。
• Nathan Good 編著的 Regular Expression Recipes 一書提供了針對許多常見數(shù)據(jù)處理和過濾問題的有用的解決方案。如果需要提取郵政編碼、電話號碼或引用的字符串，請嘗試 Nathan 的解決方案。

在命令行中，可以采用許多方法使用正則表達(dá)式。幾乎每個處理文本的命令都支持某種形式的正則表達(dá)式。大多數(shù) Shell 命令語法還或多或少地擴(kuò)展正則表達(dá)式以匹配文件名（盡管操作符的功能可能有所不同）。

例如，鍵入 ls [a-c] 以查找名為 a、b 或 c 的文件。鍵入 ls [a-c]* 以查找以 a、b 或 c 開頭的所有文件名。此處的 * 在 Shell 中不像 grep 的解釋器那樣修飾 [a-c]，* 被解釋為 .*。? 操作符在 Shell 中也可以工作，但是被解釋為 .，即匹配任意單個字符。

查看您最喜歡的實用工具或 Shell 的文檔以確定哪些 regex 操作符受支持，以及操作符可能具有的獨(dú)特性。

下課了！

這堂課比往常的時間要長。但是您現(xiàn)在已了解了正則表達(dá)式的基本知識。出去放松一下。

在您享受空閑的時候，我將開始編寫很快會流行起來的經(jīng)典歌詞“描述 99 個命令的 99 行代碼”。

共享本文…… 請 Digg 這個故事 發(fā)布到 del. Slashdot 一下！

參考資料

• 您可以參閱本文在 developerWorks 全球站點(diǎn)上的 英文原文 。
  
  
• 對話 UNIX：查看本系列中的其他部分。
  
  
• AIX and UNIX：AIX and UNIX developerWorks專區(qū)提供了大量與_ AIX 系統(tǒng)管理的所有方面相關(guān)的信息，您可以利用它們來擴(kuò)展自己的 UNIX 技能。
  
  
• AIX and UNIX 新手入門：訪問 AIX and UNIX 新手入門頁面可了解更多關(guān)于 AIX 和 UNIX 的內(nèi)容。
  
  
• AIX 5L? Wiki：AIX 相關(guān)技術(shù)信息的協(xié)作環(huán)境。
  
  
• 查看由 Martin Striecher 編寫的其他文章和教程：
  • Across developerWorks and IBM
  
  
• 按主題搜索“AIX and UNIX”庫：
  • 系統(tǒng)管理
  • 應(yīng)用程序開發(fā)
  • 性能
  • 移植
  • 安全性
  • 提示
  • 工具和實用程序
  • Java? 技術(shù)
  • Linux
  • 開放源代碼
  
  
• Safari 書店：訪問此電子參考資料庫可查找特定的技術(shù)資源。
  
  

• IBM 試用軟件：從 developerWorks 可直接下載這些試用軟件，您可以利用它們開發(fā)您的下一個項目。
  
  

• 參與 developerWorks Blog，從而加入到 developerWorks 社區(qū)中來。
  
  
• 參與“AIX and UNIX”論壇：
  • AIX 5L——技術(shù)論壇
  • AIX for Developers 論壇
  • 集群系統(tǒng)管理
  • IBM Support Assistant
  • 性能工具——技術(shù)
  • 虛擬化——技術(shù)
  • 更多“AIX and UNIX”論壇
  
  
• zsh:在 zsh wiki 協(xié)作、討論和分享您的 zsh 專業(yè)知識。

關(guān)于作者

		Martin Streicher 是 Linux Magazine 的主編。他從普度大學(xué)獲得了計算機(jī)科學(xué)碩士學(xué)位，從 1982 年開始用 Pascal、C、Perl、Java 和（最近）Ruby 編程語言編寫類 UNIX 的系統(tǒng)。