正则表达式

正则表达式

热身

正则表达式(regular expression)描述了一种字符串匹配的模式，可以用来检查一个串是否含有某种子串、将匹配的子串做替换或者从某个串中取出符合某个条件的子串等。

例如 grep, expr, sed , awk. 或Vi中经常会使用到正则表达式，为了充分发挥 shell 编程的威力

下面先举个简单例子来让大家对正则表达式有个直观的感受。ls命令是linux下最常用的命令。ls命令是list的缩写,缺省下ls用来打印出当前目录的清单。

现在，我们只希望列出以d开头的文件或目录，可以用ls d* 命令，这里*是通配符，它表示匹配重复零次或多次前一字符。

举一反三，列出以che 开头的文件或目录，就可以用ls che* 命令。

是不是觉得有些觉得过于简单了啊？？！！好吧，打完小怪，现在升下级。

开始……

如何列出当前目录下的所有目录(不包含下面的子目录)？

思考……

到了使出正则表达式杀手锏的时候了，在这里，我们还是使用ls 命令，但是加了个 -l选项(-l选项作用是列出文件的详细信息)，使用正则表达式列出当前目录下的所有目录，我们给出了两种方法（聪明的你当然会想到也可以用find命令，呵呵，这属于第三种秘笈了）。且看：

这样列出来的内容有些多，没完全截下来所有显示结果，但这并不妨碍本文的讲解。

考虑到普通文件是以-开头，如dataf1.txt文件；目录是以d 开头的，如 adv_shell 是目录，即第一个字母会不小心暴露出文件的身份属性。

所以我们就从d这里作为突破口，这时，你会想到，有多少个“开头”的d就应该有多少个目录，太聪明了，好吧，我们按照你的思路实践下。

现在，问题出来了，怎么统计出来有多少个“开头”的d？你想到了linux中grep命令，还想到了正则表达式，于是grep和正则表达式开始粉墨登场了……

ls -l |grep "^d"

这条简单的命令就轻松解决了我们的问题，。"^d"？？？你纳闷了，这个小东西配合起来怎么会有那么大的威力呢？这好比玩三国杀时刘备、司马懿、香香之间配合的威力……"^d"，就是正则表达式的用法，"^"表示匹配行首，"^d"合起来就表示以d开头的一行，grep "^d" 就是过滤出以d开头的那些行，d 表示目录，也就过滤出了当前目录中的所有目录。

谜底解开。现在你又想到，前面不是说还有一种方法的么，既然如此迫不及待，那就只好顺水推舟了。

第二种方法还是基于ls命令，但是用了-F 选项，-F 选项能列出文件类型的指示符号，如下图所示：

仔细观察我们发现，在文件名后面，会多出了一些符号，如目录adv_shell名字后多了条斜扛（/），可执行文件checkhost.sh名字后多了个星号（*）……在此，如果想更多了解这些符号意义，可以查看ls 命令的详细信息。

我们现在把注意力集中到目录adv_shell名字后多了条斜扛（/）这条信息上。很快联想到，有多少个斜扛（/）就应该对应多少目录，而且斜扛（/）会跟在每个目录名的最后。我们又想到了grep命令，还想到了应该怎样用正则表达式表示出匹配行尾，答案已经很接近了……

ls -F | grep "/$" 

这条短命令又一切成全了我们的梦想。"/$" 也是正则表达式的用法，"$"表示匹配行尾，"/$"合起来就表示匹配以/结尾的行，grep "/$" 就是过滤出以/结尾的那些行，/表示目录，也就过滤出了当前目录中的所有目录。

在此基础上，我们发散一下思维，比如说想统计当前目录下的文件个数及目录个数，就可以使用以下命令：

ls -l * |grep "^-"|wc -l 

ls -l * |grep "^d"|wc -l 

好了，暂且休息，下面我们开始介绍更多关于正则表达式的知识

前面我们初识了^ $ * 这些个正则表达式的用法，下面我们将进行更高一级的升炼。

正则表达式是一个字符或和元字符组合成的字符集，它们匹配(或指定)一个模式。字符即普通字符（例如字符 a 到 z），元字符即特殊字符（例如前面提到的字符 ^ $ *）。正则表达式作为一个模板，将某个字符模式与所搜索的字符串进行匹配。

在这里，为简单见，我们不会介绍所有的正则表达式知识，只介绍常用的一些正则表达式知识。

一个正则表达式包含下面一个或多个项：

1.一个字符集

这里的字符集里的字符表示的就是它们字面上的意思.正则表达式最简单的情况就是仅仅由字符集组成,而没有其他的元字符。

2.锚

一个锚指明了正则表达式在一行文本中要匹配的位置,例如^和$就是锚。

3.修饰符

它们用于展开或缩小(即是修改了)正则表达式匹配文本行的范围.修饰符包括了星号、括号和反斜杠符号。

* 匹配重复零次或多次前一字符 

+ 匹配一个或多个前面的字符.它的作用和*很相似,但唯一的区别是它不匹配零个字 符的情况

? 匹配零或一个前面的字符。它一般用于匹配单个字符 

. 匹配任意字符( 除换行符 ) 

^ 匹配一行的开头,但依赖于上下文环境,可能在正则表达式中表示否定一个字符 集的意思
[…] 匹配集合中任意字符 如"[xyz]" 匹配字符 x, y, 或z
[^…] 匹配不属集合 中 任意字符 
^, $ 匹配 行首、行尾 
\<, \> 用于表示单词的边界。\< 匹配词首，\>词尾，如"\<the\>" 匹配单词"the"
... 正则表达式分组。进行子字符串提取(substring extraction)一起使用很有用
\n 第 n 个分组内容  

\ 转义(escapes) 一个特殊的字符,使这个字符表示原来字面上的意思。"\$"表示 了原来的字面意思"$",而不是在正则表达式中表达的匹配行尾的意思."\\"也被 解释成了字面上的意思"\"

\{ \} 指示前面正则表达式匹配的次数. 

要转义是因为不转义的话大括号只是表示他们字面上的意思.这个用法只是技巧上 的而不是基本正则表达式的内容."[0-9]\{5\}" 精确匹配5个数字(从0到9的数字). 

| "或"，正则操作符用于匹配一组可选的字符

{n} n是一个非负整数。匹配确定的n次。例如，''o{2}'' 不能匹配 "Bob"中的''o''，但是能匹配"food" 中的两个o。

{n,} n是一个非负整数。至少匹配n次。例如，''o{2,}'' 不能匹配"Bob"中的'o''，但能匹配 "foooood"中的所有o。''o{1,}''等价于''o+''。''o{0,}''则等价于''o*''。

{n,m} m和n均为非负整数，其中n<=m。最少匹配n次且最多匹配m次。例如，"o{1,3}"将匹配 "fooooood"中的前三个o。''o{0,1}''等价于''o?''。请注意在逗号和两个数之间不能有空格。

\b 匹配一个单词边界，也就是指单词和空格间的位置。例如，''er\b'' 可以匹配"never" 中的''er''，但不能匹配 "verb"中的 ''er''。 

\B 匹配非单词边界。''er\B''能匹配"verb"中的''er''，但不能匹配"never"中的 ''er''

\w 匹配包括下划线的任何单词字符。等价于''[A-Za-z0-9_]''。

\W 匹配任何非单词字符。等价于''[^A-Za-z0-9_]''。

\d 匹配一个数字字符。等价于[0-9]。

\D 匹配一个非数字字符。等价于[^0-9]。

\f 匹配一个换页符。等价于\x0c和\cL。

\n 匹配一个换行符。等价于\x0a和\cJ。

\r 匹配一个回车符。等价于\x0d和\cM。

\s 匹配任何空白字符，包括空格、制表符、换页符等等。等价于[\f\n\r\t\v]。

\S 匹配任何非空白字符。等价于[^\f\n\r\t\v]。

\t 匹配一个制表符。等价于\x09 和 \cI。

\v 匹配一个垂直制表符。等价于\x0b和\cK。

分例子 

/\b([a-z]+)\1\b/gi 一个单词连续出现的位置 

/(\w+):\/\/([^/:]+)(:\d*)?([^# ]*)/ 将一个URL解析为协议、域、端口及相对路径

/^(?:Chapter|Section) [1-9][0-9]{0,1}$/定位章节的位置 

/[-a-z]/ A至z共26个字母再加一个–号。

/ter\b/ 可匹配chapter，而不能terminal

/\Bapt/ 可匹配chapter，而不能aptitude

/Windows(?=95 |98 |NT )/ 可匹配Windows95或Windows98或WindowsNT,当找到一个匹配后，从Windows后面开始进行下一次的检索匹配。

下面来些更加高级些的例子。

对于vi 中命令的分析

s/.∗$\n^.*$/\1/g

初一看，会傻眼，眼前感觉全是$^.*/\……这些符号的闪动。

不要紧，下面慢慢道来。

先给出vi中替换命令的格式。

s/re/string  用string替换正则表达式re

如果在后面加了个g 如： s/re/string/g

表示表示对该行内符合模式的进行全部替换。

例如，s/\//_/g 这个正则表达式就表示，对行内所有的斜扛（/）替成下划线（_），\ /即替换命令格式中的re，用反斜扛\是为了转义，\ /即表示 / 的本意；_即替换命令格式中的string。

好了，了解vi中替换命令的格式后,我们再对细节进行分析。

前面介绍到 ... 表示正则表达式分组，\n表示第 n 个分组内容，于是对于

s/.∗$\n^.*$/\1/g 

中的 \1 ，就表示第一个正则表达式分组即.∗$，我们暂将第一个正则表达式分组.∗$其记为：A

类推，\2就应该表示第二个正则表达式分组，即 \n^.*$  实际上 也应该写在括号内比较好：\n.∗$ ，我们也暂将第二个正则表达式分组 \n^.*$ 记为：B

好了，

%s/.∗$\n^.*$/\1/g

就可以写为：

s/AB/A/g

作用就是将行内所有的AB都替换成A。

现在我们来分别分析A和B的作用。

A=.∗$

抽取出来实际上是...，表示正则表达式 分组，再分析括号内的^.*$，^代表行首，点号(.)匹配任意字符(除换行符),星号(*)匹配重复零次或多次前一字符,$代表匹配到行尾，综合起来就是：匹配这一行

B=\n^.*$

分析： \n换行，^.*$同上，表示匹配这一行，综合起来就是：下一行（即上行结束后开始的另一行）。

再于是就有：%s/AB/A/g 即将所有AB都替换成B  ，代入A和B各自意思得到：

将两行（如行1和行2 ）内容替换为第一行内容（即行1的内容），加上/g，就是对全文进行前述替换，也就是隔行删除，如果是从文件第一行开始进行的操作，就意味着是删除所有偶数行、保留所有奇数行操作。

从上面的分析过程中，我们总结出两条有用的正则表达式：

%s/.∗$\n^.*$/\1/g 删除偶数行

%s/^.*$\n.∗$/\1/g 删除奇数行

不过瘾的话，还可以再看看另一例子：

sed 's/.∗.$/\2/'

\2就应该表示第二个正则表达式分组

同上，也将A=/.∗，B=.$，表达式变为's/AB/B'，将AB都替换成B 。

分析A、B作用。

A=/.∗

抽取出来实际上是...，表示正则表达式 分组，再分析括号内的 .*，表示匹配任意零个或多个字符 ( 除换行符 ) 

B=.$

括号内的 . ，表示匹配任意字符(除换行符) ,括号外的$表示匹配到行尾，即表示行尾的最后一个字符；那上述的A /.∗  就表示该行最后一个字符前的所有字符。

于是sed 's/.∗.$/\2/' 作用就是：删除该行除最后一个字符外的所有字符，保留最后一个字符，也即取得该行最后一个字符。

好了，正则表达式的介绍就告一段落，知识点比较多，需要平时反复的积累，遇到复杂的正则表达式时首先要克服恐惧的心理，然后按照上面的方法化繁为简，抓住其本质的东西，有如探囊取物，必手到擒来。