第四章 正则表达式

 

 

什么是正则表达式

在编写处理字符串的程序或网页时，经常会有查找符合某些复杂规则的字符串的需要。正则表达式就是用于描述这些规则的工具。换句话说，正则表达式就是记录文本规则的代码。

 

 

正则表达式的广泛应用

正则表达式在unix/linux系统中得到广泛的应用，强化了工具本身的功能。常见的UNIX下支持正则表达式的工具有:

    》用于匹配文本行的grep工具族:

    》用于改变输入流的sed流编辑器（streamediter）;

    》用于处理字符串的语言，如awk,  python, perl,  tcl等语言;

    》文件查看程序，或分页程序，如mare. page,  less等。

》文本编辑器，如ed, vi,emacs, vim等·

 

 

如何学习正则表达式

实例一

匹配当前存在 file单词并且在这个单词后还有一个file的句子

 

\bfile\b.*\bfile\b

 

Copy一段

假如你要找的是hi后面不远处跟着一个Lucy，你应该用\bhi\b.*\bLucy\b。

这里，.是另一个元字符，匹配除了换行符以外的任意字符。*同样是元字符，不过它代表的不是字符，也不是位置，而是数量——它指定*前边的内容可以连续重复使用任意次以使整个表达式得到匹配。因此，.*连在一起就意味着任意数量的不包含换行的字符。现在\bhi\b.*\bLucy\b的意思就很明显了：先是一个单词hi,然后是任意个任意字符(但不能是换行)，最后是Lucy这个单词。

换行符就是'\n',ASCII编码为10(十六进制0x0A)的字符。

如果同时使用其它元字符，我们就能构造出功能更强大的正则表达式。比如下面这个例子：

0\d\d-\d\d\d\d\d\d\d\d匹配这样的字符串：以0开头，然后是两个数字，然后是一个连字号“-”，最后是8个数字(也就是中国的电话号码。当然，这个例子只能匹配区号为3位的情形)。

这里的\d是个新的元字符，匹配一位数字(0，或1，或2，或……)。-不是元字符，只匹配它本身——连字符(或者减号，或者中横线，或者随你怎么称呼它)。

为了避免那么多烦人的重复，我们也可以这样写这个表达式：0\d{2}-\d{8}。这里\d后面的{2}({8})的意思是前面\d必须连续重复匹配2次(8次)。

 

 

如果需要更精确的说法，\b匹配这样的位置：它的前一个字符和后一个字符不全是(一个是,一个不是或不存在)\w。

 

 

如何实践正则表达式

    我们不是机器，总会犯错误。一般情况下，正则表达式不可能一次写正确。这就需要我们不断修改正则表达式，不断通近那个正确的写法，直到恰好达到我们想要的目的。

 

 

 

NOTE

    历史上曾经出现过3种grep，可以用于匹配文本。它们是:

   Grep 最早的文本匹配程序。使用PQSIX支持的基本正则表达式(Basic Regular Expression, BRE )

   Egrep 扩展的grep（Extend grep）。使用扩展正则表达式〔Extended Regular Expression, ERE )

   Fgrep 快速grep( Fast grep)。这个版本用于匹配固定字符串而不是正则表达式。

    在I942年发布的PDS1X标准中，3个prep版本合而为一,POSIX可以通过参数来支持多个正则表达式模式，无论是BRE还是ERE,fgrep和egrep还是可以在所有的unix/inux系统上使用，但是被标记为deprecated(不推荐〕

 

 

正则基础

元字符

正则表达式是描述某种匹配规则的工具。

正则中有两种字符一种基本字符（没有任何意义），一种元字符（赋予了表达匹配的某些含义）

 

POSIXBRE和ERE都支持的meta字符

 

^	BRE,ERE	锚定行或者字符串的开始，如"^grep" 匹配所有以grep开头的行。 BRE：仅在正则表达式结尾处具有特殊含义； ERE：在正则表达式的任何地方都有特殊含义。
$	BRE,ERE	锚定行或者字符串的结束，如"grep$" 匹配所有以grep结束的行。 BRE：仅在正则表达式结尾处具有特殊含义； ERE：在正则表达式的任何地方都有特殊含义。
.	BRE,ERE	匹配一个非换行的任何单个字符（除NUL）。 如：‘gr.p'匹配gr后加一个任意字符后，然后p
*	BRE,ERE	匹配其前的任何数目或没有的单个字符， 例： . 表示任一字符， 则 .* 匹配任一字符的任意长度
[]	BRE,ERE	匹配方括号内的任一字符，其中可用连字符（-）指的连续字符的范围 ；^符号苦出现在方括号的第一个位置，则表示匹配不在列表中的任一字符，

 

 

 

 

POSIXBRE中才有的字符：

\{n,m\}	区间表达式，匹配在它前面的单个字符重现的次数区别。 \{n\}指重现n次;\{n,m\}指重现n至m次;
\( \)	保留空间，可以将最多9个独立的子模式存储在单个模式中。 如\(ab\).*\1 : 指匹配ab组合的两次重现，中间可存在任意数目的字符。
\n	重复在\(与\)方括号内第n个子模式至此点的模式。

 

POSIXERE中才有的字符：

 

{n,m}	与BRE的\{n,m\}功能相同
+	匹配前面正则表达式的一个或多个扩展
?	匹配前面正则表达式的零个或一个扩展
|	匹配|符号前或后的正则表达式
( )	匹配方括号括起来的正则表达式群

 

 

 

Grep程序支持的meta字符plus

 

\<	锚定单词的开始，如：“\<grep” 匹配以grep开头的单词的行
\>	锚定单词的结束， 如：“grep\>”匹配包含以grep结尾的单词的行
\w	匹配文字和数字字符.也就是[A-Za-z0-9], 如’G\w*p‘匹配以G后跟零个或多个文字或数字字符.然后是p
\W	\w的反之形式，匹配一个或多个非单词字符，如点号、句号等
\b	单词锁定符，如：\bgrep\b只匹配grep

 

 

实例

 

//只显示以a开头的文件

[houchangren@ebsdi-23260-oozie shell]$ ls |grep '^a'
add.sh
a.sh
 

 

//显示a开头的文件中包含hadoop的行

[houchangren@ebsdi-23260-oozie shell]$grep  'hadoop'  a*
a.sh:HADOOP_IN_PATH="/usr/lib/hadoop/bin/hadoop"
a.sh:HADOOP=$HADOOP_HOME/bin/hadoop

//显示a.sh文件中包含hadoop的行

[houchangren@ebsdi-23260-oozie shell]$grep  'hadoop'  a.sh
HADOOP_IN_PATH="/usr/lib/hadoop/bin/hadoop"
HADOOP=$HADOOP_HOME/bin/hadoop

 

//显示连续五个a-z的字符在一行的行

[houchangren@ebsdi-23260-oozie shell]$ grep'[a-z]\{5\}' a.sh
HADOOP_IN_PATH="/usr/lib/hadoop/bin/hadoop"
 HADOOP_DIR=`dirname "$HADOOP_IN_PATH"`/..
HADOOP=$HADOOP_HOME/bin/hadoop
HADOOP_VERSION=$($HADOOP version | awk '{if(NR == 1) {print $2;}}');

 

//显示如果test被匹配，es就被存储到内存中，并标记为1.然后搜索任意个字符（.*），这些字符后面跟着另外一个es (\1)，找到就显示该行。\1是取占位括号中的值。

[houchangren@ebsdi-23260-oozie shell]$ cata.txt
I'm test; test;
so you don't worry!
[houchangren@ebsdi-23260-oozie shell]$ grep't\(es\)t.*\1' a.txt
I'm test; test;

 

为了在不同国家的字符编码中保持一至，POSIX（The PortableOperating System Interface)增加了特殊的字符类，如[:alnum:]是A-Za-z0-9的另·个写法。要把它们放到[]号内才能成为正则表达式，如[A-Za-z0-9]或[[:alnum: ]] 在Linux下的grep除fgrap外，都支持POSIX的字符类。方括号表达式除了上面提到的字符外，还支持其他的组成形式:

1.       posix字符集

[:alnum:]	文字数字字符
[:alpha:]	文字字符
[:blank:]	空格与定位字符
[:cntrl:]	控制字符
[:digit:]	数字字符
[:graph:]	非空格字符
[:lower:]	小写字母字符
[:print:]	可显示的字符
[:punct:]	标点符号字符
[:space:]	空格字符
[:upper:]	大写字母字符
[:xdigit:]	16进制数字

2.      排序符号
指将多个字符视为一个符号，如[.cn.]即将cn视为一个符号

3.       等价字符集
认为多个字符相等，如[=e=]在法文的locale里，可匹配于多种与e相似的字符

 

 

 

 

 

正则表达式允许将POSIX字符集与其他字符集混用。如[[:alpha:]!]匹配任意一个英文字母或者感叹号(!)。

 

//匹配或者数字或者!

[houchangren@ebsdi-23260-oozie shell]$ grep -E'[[:digit:]!]+' a.txt

so you don't worry!

 

 

单个字符

匹配单个字符的方式有4种:一般字符、转义的meta字符、.(点号)meta字符，和方括号表达式。

1.      一般字符
例如：abc  就是 匹配abc

2.      转义的meta字符
例如：\*匹配 *  \[\] 匹配[]

3.      .(点号)字符
例如： .bc  匹配 abc，dbc等等

4.      方括号表达式
例如：[cC]hina 只匹配 china 和Chnia
      [^abc]d 匹配除了abc之外的任何小写字母

单个表达式匹配多个字符

 

文本的匹配锚点
^ 和& 开头和结尾的表示

 

运算符优先级

 

BRE的运算优先

运算符	含义
[..][==][::]	方括号符号
\meta	转义的meta字符
[]	方括号表达式
\(\)\n	后向引用表达式
*\{\}	区间表达式和星号表达式
无符号	连续
^&	锚点

 

 

ERE的运算优先

 

运算符	含义
[..][==][::]	方括号符号
\meta	转义的meta字符
[]	方括号表达式
（）	分组
*+？{}	重置前置的正则表达式
无符号	连续
^&	锚点
|	交替

 

更多差异

 

1.      向后引用
    BRE中提供了一种机制名为“后向引用”backreferences，含义是:匹配的是之前正则表达式选定的部分。我们使用\1一\19来引用之前选定的模式，使用\(和\)括起想要之后引用的部分。

例如：

\(go\).*\1  匹配一行中前后出现两个go

2.      交替
    交替是ERE才一有的特性。当使用方括号表达式时，表示可以“匹配这个字符，或者那个字符”，但是无法“匹配这个字符序列或那个字符序列”。当我们需要这个功能时，在ERE中，就用到交替.交替是在不同序列之间用管道符号隔开。例如，you|me匹配you或者me.

           交替字符可以和管道符号一样，在一个正则表达式中使用多个来提供多种选择。因为交替字符的优先级最低，所以会一直扩展到新的交替字符，或正则表达式结束为止。

3.      分组

 

    在BRE中，我们使用一些meta字符修饰前置字符，匹配重复的情况。但是这样的操作仅仅

针对单个字符。在ERE中，分组功能能够计meta字符修饰前置字符串。分组符号就是使用(和)

将式子括起来。例如〔go)+匹配一个或多个连续的go.

    在使用交替时，分组就非常有用。例如:(Lily|Lucy) will visit my house today.在这个正则表达式中，分组限定了访问我家的是Lily或者是Lucy。

 

 

 

 

正则表达式的应用

    正则表达式之所以如此重要，一个原因是许多程序(包括UNIX/linux下的，和Win下的)

都使用正则表达式为自己提供扩展，以支持更强大的功能。

    正则表达式的风格有两种，BRE和ERE，这是历史遗留的产物。egrep风格的正则表达式在

UNIX开发的早期就已经出现，但是Linux的创始人KenThompson觉得不需要在ed编辑器中使

用这样全方位的正则表达式支持，ed的标准后来演化为BRE。

   ed又成为grep和sed的基础，故此。grep和sed支持的正则表达式类型是BRE。在pre-V7

时期，egrep被发明出来，egrep是使用的ERE风格正则。但是，当egrep， grep， fgrep合并成

个grep程序时，grep就同时支持不同风格的正则表达式〔通过一E选项支持ERE)o与此同时，egrep

虽然被从POSIX标准中踢出，但是许多UNIX/LINUX发行版本仍然文持egrep命令，而且许多历

史遗留脚本仍然在使用egrep,虽然标准做法应该是grep -E

    使用ERE风格n则表达式的部分程序有egrep, awk和lex. lex是一个词法分析器构建程序，

除了特殊情况下，很少在shell编程中用到。

扩展

除了前面提到的BRE和ERE这两种标准正则表达式支持外，许多程序根据需求提供正则表

达式的语法扩展。最常见的扩展是\<和\>，分别匹配单词开头和单词结尾。

    单词的开头有两种情况，一种是位于行的起始位置，一种是紧跟在非一单词组成字符后面;同样，单词的结尾也是两种情况;行的末尾和尾随一个非单词组成字符。

 

 

GUN支持额外的正则表达式运算符

	含义
\w	匹配任何单词组成字符，等同[[:alnum:]]
\W	匹配任何非单组成字符，等同[^[:alnum:]]
\<\>	匹配单词的开头和结尾
\b	匹配单词开头和结尾处所找到的空字符o \bword就等同\<word\>
\B	匹配两个单词组成字符间的空字符串
\’\`	分别匹配emacs缓冲区的开头和结尾。GNU程序通常将它们视为与^和S同义

 

研究罗马数字

有点脑袋大，那天有心情在研究吧。

 

解析电话号码实例

 

 

 

echo '80055512121234' | grep -E"^[[:digit:]]{3}[^[:digit:]]*[[:digit:]]{3}[^[:digit:]]*[[:digit:]]{4}[^[:digit:]]*[[:digit:]]*$"
echo '800-555-1212' | grep -E"^[[:digit:]]{3}[^[:digit:]]*[[:digit:]]{3}[^[:digit:]]*[[:digit:]]{4}[^[:digit:]]*[[:digit:]]*$"
echo '800-555-1212-1234' | grep -E"^[[:digit:]]{3}[^[:digit:]]*[[:digit:]]{3}[^[:digit:]]*[[:digit:]]{4}[^[:digit:]]*[[:digit:]]*$"
echo 'work 1-(800) 555.1212 #1234' | grep-E "[[:digit:]]{3}[^[:digit:]]*[[:digit:]]{3}[^[:digit:]]*[[:digit:]]{4}[^[:digit:]]*[[:digit:]]*$"

表达式解析一下：

 

[[:digit:]]{3}  三位数字

[^[:digit:]]*  非数字的任何东西（或者没有）

[[:digit:]]{3} 三位数字

[^[:digit:]]* 非数字的任何东西（或者没有）

[[:digit:]]{4} 四位数字

[^[:digit:]]* 非数字的任何东西（或者没有）

[[:digit:]]* 数字(可没有)