正則表達式
翻譯領域不乏讓人摸不著頭腦的詞匯,比如“句柄”、“套接字”、“魯棒性”。當然,“正則表達式”也屬於這一類詞匯。我剛接觸正則表達式的時候,對這個名詞感到非常迷惑。深入了解之後,才突然明白,原來所謂的 regular expression, 其實就是“有規律、有模式的字符串”而已。
很少有一門技術,只需要投入少量的學習成本即可獲得巨大的價值回報。正則表達式就屬於這一類技術。可惜很多人被它密碼般的語法形式當頭棒喝,甚至連門都不得而入。
為什麼你應該學習正則表達式?其一,在實踐中應用這門技術其實不難,只需理解為數不多的幾個元字符以及並不復雜的語法,就能夠獲得強大的文本操控能力;其二,正則表達式往往能提供處理文本的最簡單最高效的解決方法(有時也許是唯一的解法)。遇上復雜的情況,如果你不會正則表達式,就只好束手無策、黯然神傷了。
正則表達式入門容易,精通卻難。本文並不打算挑戰此項任務^^
文本檢索
grep 命令可以完成簡單的文本搜索任務。
先來准備一份文本材料,把 grep 的幫助頁保存為文本文件:
復制代碼代碼如下:
> man grep | col -b > grephelp.txt
下面,我想檢索 grephelp.txt 文件中所有包含 "find" 這個單詞的文本行:
復制代碼代碼如下:
> grep "find" grephelp.txt
To find all occurrences of the word `patricia' in a file:
To find all occurrences of the pattern `.Pp' at the beginning of a line:
To find all lines in a file which do not contain the words `foo' or
我希望匹配到的文本使用不同的顏色顯示,可以添加 --color 選項,默認的顏色是紅色。
復制代碼代碼如下:
> grep --color "find" grephelp.txt
我希望在匹配結果中顯示文件名和行號,使用 -H 選項可以顯示文件名,使用 -n 選項可以顯示行號:
復制代碼代碼如下:
> grep -H -n --color "find" grephelp.txt
grephelp.txt:252: To find all occurrences of the word `patricia' in a file:
grephelp.txt:256: To find all occurrences of the pattern `.Pp' at the beginning of a line:
grephelp.txt:265: To find all lines in a file which do not contain the words `foo' or
很多時候,我們需要知道匹配行前後的上下文。-A 和 -B 這兩個選項會是你的好朋友。-A n 表示顯示匹配行以及其後的 n 行;-B n 表示顯示匹配行以及之前的 n 行。現在,我們在匹配行的前後分別額外顯示兩行:
復制代碼代碼如下:
> grep -A 2 -B 2 -H -n --color "find" grephelp.txt
grephelp.txt-250-
grephelp.txt-251-EXAMPLES
grephelp.txt:252: To find all occurrences of the word `patricia' in a file:
grephelp.txt-253-
grephelp.txt-254- $ grep 'patricia' myfile
--
--
grephelp.txt-254- $ grep 'patricia' myfile
grephelp.txt-255-
grephelp.txt:256: To find all occurrences of the pattern `.Pp' at the beginning of a line:
grephelp.txt-257-
grephelp.txt-258- $ grep '^\.Pp' myfile
--
--
grephelp.txt-263- match any character.
grephelp.txt-264-
grephelp.txt:265: To find all lines in a file which do not contain the words `foo' or
grephelp.txt-266- `bar':
grephelp.txt-267-
如果需要查找所有不包含 "find" 的文本行,該怎麼做呢?很簡單,使用 -v 選項即可。
grep 還有兩個變體,egrep 和 fgrep。相對於僅支持基本正則模式(BREs)的 grep 來說,egrep 支持擴展正則模式(EREs),因而檢索能力更為強大;fgrep 是所有三個工具中速度最快的一個,因為它完全不支持正則模式。
文本替換
tr 命令可以完成簡單的字符轉換任務。例如,可以通過 tr 把 grephelp.txt 文件轉換為全文大寫:
復制代碼代碼如下:
> cat grephelp.txt | tr '[:lower:]' '[:upper:]'
簡而言之,tr 的工作就是把第一個集合中的字符轉換為第二個集合中的相應的字符。常用的字符集合有下面這些:
[:alnum:]:字母數字
[:alpha:]:字母
[:cntrl:] :控制字符
[:digit:]:數字
[:graph:]: 圖形字符
[:lower:]:小寫字母
[:print:]:可打印字符
[:punct:]:標點符號
[:space:]:空白字符
[:upper:]:大寫字母
[:xdigit:]:十六進制數字
tr 命令的應用場景非常受限,如果希望進行更加靈活的模式替換,我們還有 sed(也就是 stream editor,流編輯器)。
把文件中所有的 "find" 文本替換為 "search":
復制代碼代碼如下:
> sed "s/find/search/g" grephelp.txt
這條命令中,s 表示執行“替換操作”,/find/search/ 表示把 "find" 替換為 "search",g 表示對一行中所有的匹配進行替換。sed 默認把處理結果打印到標准輸出,我們可以通過重定向把處理結果轉儲到一個新文件中,或者使用選項 -i 把結果直接寫回原文件(有風險,需謹慎):
復制代碼代碼如下:
> sed -i "s/find/search/g" grephelp.txt
把文件中所有的數字 n 替換為 "--n--" 的形式:
復制代碼代碼如下:
> sed -E "s/([0-9]+)/--\1--/g" grephelp.txt
選項 -E 表示在處理過程中使用擴展的正則模式(EREs),替換命令中的 \1 表示引用正則表達式的第一個捕獲分組。請注意,-E 這個選項只在 Mac OS X 系統和 FreeBSD 系統上有效,其他 Unix 系統需要使用另一個等效的選項 -r。
sed 的功能遠不止這一些,篇幅所限,不可能詳細講解 sed 的用法。如果希望學習更多,請移步這篇文章。
文本去重
復制代碼代碼如下:
> cat -n sonnet116.txt
1 Let me not to the marriage of true minds
2 Admit impediments. Love is not love
3 Which alters when it alteration finds,
4 Or bends with the remover to remove:
5 O, no! it is an ever-fix`ed mark,
6 O, no! it is an ever-fix`ed mark,
7 That looks on tempests and is never shaken;
8 It is the star to every wand'ring bark,
9 Whose worth's unknown, although his heighth be taken.
10 Love's not Time's fool, though rosy lips and cheeks
11 Love's not Time's fool, though rosy lips and cheeks
12 Love's not Time's fool, though rosy lips and cheeks
13 Within his bending sickle's compass come;
14 Love alters not with his brief hours and weeks,
15 But bears it out even to the edge of doom:
16 If this be error and upon me proved,
17 I never writ, nor no man ever loved.
這是莎士比亞的一首十四行詩,只可惜第5行和第10行有重復(而且第10行重復了3次)。怎麼查看文本中重復的行呢?uniq 命令可以幫助你。
復制代碼代碼如下:
> uniq -d sonnet116.txt
O, no! it is an ever-fix`ed mark,
Love's not Time's fool, though rosy lips and cheeks
選項 -d 表示僅輸出重復的行。如果需要去重,使用不帶選項的 uniq 命令就可以了:
復制代碼代碼如下:
> uniq sonnet116.txt
Let me not to the marriage of true minds
Admit impediments. Love is not love
Which alters when it alteration finds,
Or bends with the remover to remove:
O, no! it is an ever-fix`ed mark,
That looks on tempests and is never shaken;
It is the star to every wand'ring bark,
Whose worth's unknown, although his heighth be taken.
Love's not Time's fool, though rosy lips and cheeks
Within his bending sickle's compass come;
Love alters not with his brief hours and weeks,
But bears it out even to the edge of doom:
If this be error and upon me proved,
I never writ, nor no man ever loved.
想要查看每一行究竟重復了多少次?沒問題,使用選項 -c:
復制代碼代碼如下:
> uniq -c sonnet116.txt
1 Let me not to the marriage of true minds
1 Admit impediments. Love is not love
1 Which alters when it alteration finds,
1 Or bends with the remover to remove:
2 O, no! it is an ever-fix`ed mark,
1 That looks on tempests and is never shaken;
1 It is the star to every wand'ring bark,
1 Whose worth's unknown, although his heighth be taken.
3 Love's not Time's fool, though rosy lips and cheeks
1 Within his bending sickle's compass come;
1 Love alters not with his brief hours and weeks,
1 But bears it out even to the edge of doom:
1 If this be error and upon me proved,
1 I never writ, nor no man ever loved.
文本排序
假設有這樣一個報表文件,第一列是月份,第二列是當月的銷售個數:
復制代碼代碼如下:
> cat report.txt
March,19
June,50
February,17
May,18
August,16
April,31
May,18
July,26
January,24
August,16
這個文件的內容不僅順序是亂的,而且還有重復。我希望按字母表順序排序,可以下面這個命令:
復制代碼代碼如下:
> sort report.txt
April,31
August,16
August,16
February,17
January,24
July,26
June,50
March,19
May,18
May,18
選項 -u (表示 unique)可以在排序結果中去除重復行:
復制代碼代碼如下:
> sort -u report.txt
April,31
August,16
February,17
January,24
July,26
June,50
March,19
May,18
能不能按照月份排序呢?選項 -M (表示 month-sort)可以幫助我們:
復制代碼代碼如下:
> sort -u -M report.txt
January,24
February,17
March,19
April,31
May,18
June,50
July,26
August,16
按照第二列的數字進行排序也是很簡單的:
復制代碼代碼如下:
> sort -u -t',' -k2 report.txt
August,16
February,17
May,18
March,19
January,24
July,26
April,31
June,50
上面的例子中,選項 -t',' 表示以逗號為分隔符對文本進行列分割;-k2 表示對第2列進行排序。
當然了,把結果逆序排列也並非不可能:
復制代碼代碼如下:
> sort -u -r -t',' -k2 report.txt
June,50
April,31
July,26
January,24
March,19
May,18
February,17
August,16
文本統計
wc 命令用來完成文本統計工作,通過使用不同的選項,它可以統計文件中的字節數(-c),字符數(-m),單詞數(-w)與行數(-l)。
例如,查看 grephelp.txt 這個文件總共有多少個單詞:
復制代碼代碼如下:
> wc -w grephelp.txt
1571 grephelp.txt
查看 sonnet116.txt 這個文件總共有多少不重復的行(廢話,十四行詩當然是有14行):
復制代碼代碼如下:
> uniq sonnet116.tx6 | wc -l
14
你還應該試試 Awk 與 Perl
如果上面介紹的工具仍然不能滿足你,也許你需要火力更強的武器。試試 Awk 與 Perl 吧。
Awk 也是一款上古神器,它的年齡可能和 sed 不相上下。Awk 可謂是專門為了文本處理而生,它的語法和特性非常適合用於操縱文本和生成報表。如需學習,請參考 這篇文章,你會喜歡上它的。
長久以來,Perl 背負了“只寫語言”的惡名。實際上,只要處理得當,用 Perl 一樣可以寫出模塊清晰的、容易閱讀和理解的代碼。根據我的經驗,使用 Perl 的場合 80% 以上與文本處理有關。Perl 內置的正則表達式支持可能是所有語言中最好的,再加上簡潔緊湊的語法以及便利的操作符,這些特性幫助 Perl 成了文本處理領域當仁不讓的霸主。