Linux_正则表达式

发表于2025-07-17更新于2025-09-28阅读次数

正则表达式

Regular Expression

主要参考文档：
https://legacy.cplusplus.com/reference/regex/ECMAScript/

[[Linux_Shell编程#结合正则表达式的示例]]：case的示例中

1
2
3
4
5
[][][]代表三个字符。
[]代表一个字符。
[]里可以填正则表达式。
1.[a-z]表示一个小写的a到z均可
2.[abcde]表示一个字符的可取范围

Quantifiers（*、+、?、{n}）

量词

代表通用的信息的部分。

  1. *：可能有（0到无数个）前导字符。*只是指示符，本身不参与，指示前面的字符会重复0到无数次。
  2. +：最少1个前导字符。
  3. ?：只有1个前导字符。
  4. {n}：有n个前导字符。
    1. {n,}：有大于等于n个的前导字符。
    2. {min,max}：至少有min个，但不超过max个（左闭右开）

Special Pattern Characters（[]）

特殊模式字符

  1. .：匹配任意单个字符
  2. [...]：匹配[]中包含的任意字符。
    1. 比如[1234567890]或[0-9]都表示：字符0到9
    2. [A-Z]表示大写字母
    3. [A-Za-z]表示大小写字母。
    4. 分类字符，见《Character classes（字符类）》一节
  3. \s：表示空格字符，空格、制表符都可以。（可替代[[:space:]]）

更多特殊字符见手册。
https://legacy.cplusplus.com/reference/regex/ECMAScript/

.*表示所有字符。

Character classes

字符类

  1. [:alpha:]：表示所有字母
    1. grep '[[:alpha:]]' file.txt
  2. [:digit:]：表示数字
  3. [:alnum:]：表示字母+数字
  4. ^[:alpha:]：表示除了字母以外
    1. grep '[^[:alpha:]]' file.txt

Assertions（^、$）

断言

  1. ^：出现在行首的指定字符串。
    1. 注意，在[]内外，^表达的意思是不一样的。
      1. 在[]内，表示“非”
      2. 在[]外，才表示“首”
      3. 对于分类字符（比如[:alpha:]），需要放到两层[]之内，分类字符的[]之外，即：[^[:alpha:]]。
  2. $：出现在行尾的指定字符串。

Alternatives（或关系：|）


找出带A或带B的行。
相当于求了两次grep，结果合在一起。

注意|需要转义。

Groups

组

核心概念：分组的作用

  1. ​​将量词应用于字符序列：​​ 这是最基本的作用。想象你要匹配多次出现的单词“hello”而不是单个字母“l”多次。你需要把“hello”当成一个整体来量化。
    • 错误示例： hel{2,}o：这个匹配的是 ‘he’ + ​​至少2个’l’​​ + ‘o’， 可以匹配 “hello”, “hellllo”，但不能匹配 “hellohello” (两个hello连在一起)。
    • 正确示例： (hello){2,}：这个匹配的是 ​​"(hello)"这个整体​​ 至少出现2次，可以匹配 “hellohello”, “hellohellohello” 等。
  2. ​​创建子匹配项（反向引用）：​​ 这是普通分组 (subpattern) 独特且强大的功能。它不仅仅是匹配，还会​​记住​​分组内匹配到的​​具体内容​​，并分配一个​​编号​​（按照左括号 ( 出现的顺序）。这些被记住的内容称为“子匹配项”或“捕获组”。

普通分组（分组且捕获）：(subpattern)

  • 将 subpattern 作为一个整体单元进行操作（特别是应用量词）。
  • 捕获 subpattern 匹配到的实际文本内容。
  • （重要）创建反向引用（在​​同一个正则表达式内部​​，用 \1, \2, \3… 来指代第1、2、3…个分组捕获的内容）。
  • 在​​正则匹配结果​​中，可以通过索引（如 C++ 的 smatch[1], smatch[2]）获取每个子匹配项的值。
  • 在​​替换操作​​中，可以通过类似 $1, $2, $3… 的语法来引用这些子匹配项。

示例1：匹配重复的单词或连续字母

1
2
3
4
5
6
7
8
9
正则: (\w+)\s+\1
解释:
  (\w+) : 第1个分组，匹配一个或多个字母数字下划线（就是一个单词），并把匹配到的词记住。
  \s+   : 匹配一个或多个空白字符（空格、制表符等）。
  \1    : 反向引用，匹配的内容必须与第1个分组捕获的内容 完全相同。

目标字符串: "hello world hello again"
匹配结果: 匹配到 "hello hello"（第一个 "hello" 被捕获为分组1，\1 要求再次出现 "hello"）
         "world"和"again" 不会被匹配，因为 "world" != "again"

示例2：提取日期各部分（年、月、日）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
正则: (\d{4})-(\d{2})-(\d{2})
解释:
  (\d{4}) : 第1个分组，匹配4位数字（年），捕获。
  -       : 匹配横杠 "-"
  (\d{2}) : 第2个分组，匹配2位数字（月），捕获。
  -       : 匹配横杠 "-"
  (\d{2}) : 第3个分组，匹配2位数字（日），捕获。

目标字符串: "Today is 2023-10-27."
匹配结果:
    整个匹配: "2023-10-27"
    子匹配项:
     smatch[0] 或 $0: "2023-10-27" (整个匹配项)
     smatch[1] 或 $1: "2023"        (第1分组捕获的年)
     smatch[2] 或 $2: "10"          (第2分组捕获的月)
     smatch[3] 或 $3: "27"          (第3分组捕获的日)
编程中访问: match[1], match[2], match[3] (C++的smatch索引通常从1开始表示分组)

被动/非捕获分组：(?:subpattern)

作用

  • 将 subpattern 作为一个整体单元进行操作（应用量词）。
  • ​​不会​​捕获匹配到的文本内容。
  • ​​不会​​创建子匹配项。
  • ​​不分配​​分组编号（因此不会影响其他普通分组的编号）。
  • ​​无法​​在正则表达式内部用 \n 反向引用。
  • ​​无法​​在匹配结果或替换操作中单独访问。

为什么需要它？​

  • ​​性能：​​ 如果不关心分组内容，避免捕获可以提高效率（尤其是在大量重复匹配时）。
  • ​​简化编号：​​ 当你只想分组应用量词，但又不想这个分组计入编号体系、干扰你真正关心的捕获组（普通分组）时。它让后续普通分组的编号更清晰。
  • ​​避免不必要的内存开销：​​ 不用存储不关心的匹配文本。

示例：匹配文件扩展名（但只关心扩展名本身）

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
目标：从 "report.txt", "data.csv.zip", "image.png" 中提取扩展名 (txt, zip, png)
正则：\.(?:[a-z]{3,4})$   (不理想，只为演示非捕获)
理想正则：\.([a-z]{3,4})$  (一个捕获组就够)

但假设有个更复杂的模式：
正则：^(?:https?:\/\/)?(?:www\.)?example\.com\/(\w+)\.html$
解释:
  ^            : 字符串开始
  (?:https?:\/\/)? : 非捕获分组，匹配可选的 "http://" 或 "https://" (?匹配0次或1次)
  (?:www\.)?     : 非捕获分组，匹配可选的 "www."
  example\.com  : 匹配固定域名
  \/            : 匹配斜杠 "/"
  (\w+)         : **普通捕获分组1!** 匹配并捕获一个或多个字母数字下划线（文件名）
  \.html        : 匹配 ".html"
  $            : 字符串结束

目标字符串: "https://www.example.com/news.html"
匹配结果:
    整个匹配: "https://www.example.com/news.html"
    子匹配项:
        [1]: "news" (唯一捕获的分组)
    所有 `(?:...)` 分组匹配的内容 (http, www) 都不会被捕获或分配编号。我们关心的只是文件名 "news"。
    
如果没有非捕获分组：
    正则： ^(https?:\/\/)?(www\.)?example\.com\/(\w+)\.html$
    子匹配项:
        [1]: "https://"   (可能不需要)
        [2]: "www."       (可能不需要)
        [3]: "news"       (我们想要的)
    此时要访问文件名就需要 [3] 而不是 [1]，非捕获分组让关心的部分编号更清晰。

示例2：应用量词但不捕获（纯粹为了结构）

1
2
3
4
5
6
7
8
9
匹配连续出现的 "hello" 或 "world" 两次
正则: (?:hello|world){2}
解释:
    (?:hello|world) : 非捕获分组，匹配整体 "hello" 或 "world"。
    {2}             : 要求前面这个非捕获分组整体出现2次。

可以匹配: "hellohello", "helloworld", "worldhello", "worldworld"
匹配结果中找不到哪个分组匹配了 "hello" 还是 "world"，因为它没有被捕获。
使用普通分组也可以 `(hello|world){2}` 但会额外捕获了每次的内容（可能用不到）。

总结

grep

Get Regular Expression Print

*

1
2
echo "AAAA" > aa.txt
echo "BB"  >> aa.txt
1
grep B* aa.txt

结果：

1
2
AAAA
BB

如上结果，因为B*代表前面的B可能会出现0到n次。所以，AAAA也匹配上了。

1
grep BB* aa.txt

结果：

1
BB

如上结果，这次没出现AAAA，因为我们限制了BB*，即第一个字符必须是B后面可能出现0到n个B。可以用B+替代上述语义：+。

因此*还是要慎用，能代表的范围太大了。

+

类似于*，区别是1到n次。排除了0次的可能。

1
grep 'B\+' aa.txt

需要转义，并在单引号中使用。

结果：

1
BB

示例1

1
2
3
4
5
6
echo "123.456" >> aa.txt
echo "222.333" >> aa.txt
echo "845.143" >> aa.txt
echo "a2a.7a3" >> aa.txt
echo "a23.833" >> aa.txt
echo "a23.83q" >> aa.txt

怎么提取出.前后全是数字的行？

1
grep '[0-9]\+\.[0-9]\+' aa.txt

以上命令表示：

  1. \.是转义，意思是中间有个.
  2. .前面有最少1个0到9的字符
  3. .后面有最少1个0到9的字符

结果：

示例2 - 精确指示n个字符

需要用到{}，注意在单引号中，{和}均需转义。

指示有4个A到Z字符。

1
grep '[A-Z]\{4\}' aa.txt

结果：AAAA

指示有大于等于2个的A到Z字符。在右括号前加,

1
grep '[A-Z]\{3,\}' aa.txt

结果：

1
2
AAAA
BB

结合分类字符（如[:alpha:]）

注意外面还需要加一层[]

想找到文件中带数字的行：

1
grep '[[:digit:]]' aa.txt


想找到文件中带字母的行：

想找到文件中带字母或有0到3字符的行：

想找到文件中有非字母字符的行：

想找到文件中有非字母、非数字字符的行：

?

只出现了1次前面的字符。

$

以什么字符结尾。

1
grep '[C-Z]\+$' aa.txt

表示：结尾最少有1个C到Z的字符。

如果aa.txt的内容是：

1
2
3
4
5
6
7
AAAA
BB
123.456
CABCC
ABCC
CDEFGHIJKL
CCCCC

则执行grep '[C-Z]\+$' aa.txt的结果：

既以…为开头，又以它为结尾？

1
grep '^[C-Z]\+$' aa.txt

我原先想的是，这个命令表示既以至少1个C到Z的字符开头，又以至少1个C到Z的字符结尾。（错误解释！）
让Deepseek分析后，不是这样解释的。而是：

正则表达式 ^[C-Z]\+$ 要求：

  • 整行​​必须完全由​​ C-Z 的大写字母组成（字母必须 ≥ C）
  • ​​A和B字母不被允许​​
  • ​​无任何数字/符号/小写字母

因此，如果aa.txt的内容是：

1
2
3
4
5
6
7
AAAA
BB
123.456
CABCC
ABCC
CDEFGHIJKL
CCCCC

则执行grep '^[C-Z]\+$' aa.txt的结果：

表达式拆解与执行逻辑

  1. ​​^ 锚点​​（行首）

    • 强制匹配​​必须从行首开始​​

  2. ​​[C-Z] + \+ 组合​​

    • [C-Z] 只匹配 ​​单个​​ C-Z 范围内的大写字母
    • \+ 表示前面的 [C-Z] ​​至少出现一次​​（可以出现多次）
    • ​​关键效果​​：每一个位置都需匹配 [C-Z]
      （不能是空格/数字/小写字母/其他字符）

  3. ​​$ 锚点​​（行尾）

    • 强制匹配​​必须延伸到行尾结束​

强制约束的逻辑链

当正则引擎执行 ^[C-Z]\+$ 时，它的匹配规则如下：

  1. 从行首 (^) 开始检查第一个字符
    → 必须是 C-Z 的大写字母
  2. 继续检查后续字符
    → 因为 \+ 要求连续多个匹配，所以​​第二个字符必须也是​​ C-Z 的大写字母
    → 第三个、第四个…所有字符都必须满足
  3. 直到遇见行尾 ($)
    → 此时整行已被完全匹配

✨ ​​核心机制​​：[C-Z]\+ 作为连续的整体充当了 ​​“填充内容”​​ 的角色，它从行首一直延伸到行尾，不允许中间插入任何非 C-Z 字符。

这种严格约束主要用于验证​​格式纯净的字符串​​，典型场景包括：

  • 检测不含空格的英文单词（如 "PYTHON"）
  • 过滤无数字/符号的纯大写文本（如验证商品代码 "SKUXYZ"）
  • 也可以有等效的、更简洁的形式：grep -x '[C-Z]\+' aa.txt （-x 表示整行匹配）

awk

Alfred Aho, Peter Weinberger, Brian Kernighan

grep是扫描每一整行的，按行为单位。而awk是按一行中的每个字段为单位查询的，类似于excel表格，可以切分各个字段。即可以按列操作。

结合正则表达式

在 awk命令中，/tty/中的 ​​/（正斜杠）​​ 是​​正则表达式（Regular Expression）的定界符​​。它表示中间的内容（tty）是一个需要匹配的模式。

1
awk '/tty/{print $0}' ps.txt


假如ps.txt文件内容如上，我们想找到字段有tty的字段。
则，在awk命令后面先用单引号' '包裹，再在里面写斜杠/ /包裹正则表达式。后半部分再用大括号{ }包裹要进行的打印操作。

print可以自定义内容

可以用printf进行格式化输出

ps内容：

单独指定匹配每一行的第n列，其他列跳过

employees文件内容：

形式：

1
awk '$2~/^[A-z][a-z]+/ {print $1}' employees

即，在' '内的前面加一个第几列$2和波浪号~。


第一句awk的意思是搜索每一行的所有列，查找以大写字母开头，后面至少有一个小写字母。匹配到后，打印该行的第1列。
第二句awk的意思是只搜索每一行的第2列，查找以大写字母开头，后面至少有一个小写字母。匹配到后，打印该行的第1列。
第二句awk的意思是只搜索每一行的第3列，查找以大写字母开头，后面至少有一个小写字母。匹配到后，打印该行的第1列。由于第三列全是数字，没有匹配到符合条件的行，所以打印空。

可以在{}中对文件信息进行修改


以上语句的意思：找每一行的第1列中含Billy的，之后，把该行第1列修改为Gilly。之后，打印匹配到的所有行。

在单引号中，内置了数字大小比较器

ps内容：

我们想要输出所有PID大于776的：
可以在awk后的' '单引号内写$1>776，它内置了把字符串转换为数字之后比较的操作，之后帮我们筛选出符合条件的。

甚至还可以在里面写一些简单的运算：（'$1>776+1'）

sed

Stream Editor

用于处理流。把字符串、文件按流的方式处理。流的特点是只能单向，不能后撤。