l 为什么要使用正则表达式
UNIX 中提供了许多 指令 和 tools, 它们具有在文件中 查找(Search)字串或替换(Replace)字串 的功能. 像 grep, vi , sed, awk,...
不论是查找字串或替换字串, 都得先告诉这些指令所要查找(被替换)的字串为何.若未能预先明确知道所要查找(被替换)的字串为何, 只知该字串存在的范围或特征时,例如 :
(一)找寻 "T0.c", "T1.c", "T2.c"...."T9.c" 当中的任一字串.
(二)找寻至少存在一个 "A"的任意字串.
这情況下,如何告知执行查找字串的指令所要查找的字串为何.
例 (一) 中, 要查找任一在 "T" 与 ".c" 之间存在一个阿拉伯数字的字串;当然您可以列举的方式, 一一把所要找寻的字串告诉执行命令的指令.但例 (二) 中合乎该条件的字串有无限种可能, 势必无法一一列举.此时,便需要另一种字串表示的方法(协定).
l 什么是正则表达式
正则表达式(以下简称 Regexp)是一种字串表达的方式. 可用以指定具有某特征的所有字串.
注: 为区別于一般字串, 本附录中代表 Regexp 的字串之前皆加 "Regexp". awk 程式中常以/..../括住 Regexp; 以区別于一般字串.
l 组成正则表达式的元素
普通字符 除了 . * [ ] + ? ( ) \ ^ $ 外之所有字符.
由普通字符所组成的Regexp其意义与原字串字面意义相同.
例如:Regexp "the" 与一般字串的 "the" 代表相同的意义.
. (Meta character) : 用以代表任意一字符.
须留心UNIX Shell 中使用"*"表示Wild card, 可用以代表任意长度的字串.而Regexp 中使用"." 来代表一个任意字符.(注意: 并非任意长度的字串)Regexp 中 "*" 另有其它涵意, 并不代表任意长度的字串.
^ 表示该字串必须出现于行首.
$ 表示该字串必须出现于行末.
例如 :
Regexp /^The/ 用以表示所有出现于行首的字串 "The".
Regexp /The$/ 用以表示所有出现于行末字串 "The".
\ 将特殊字符还原成字面意义的字符(Escape character)
Regexp 中特殊字符将被解释成特定的意义. 若要表示特殊字符的字面(literal meaning)意义时,在特殊字符之前加上"\"即可.
例如 :
使用Regexp来表示字串 "a.out"时, 不可写成 /a.out/.
因为"."是特殊字符,表任一字符. 可符合 Regexp / a.out/ 的字串将不只 "a.out" 一个; 字串 "a2out","a3out", "aaout" ...都符合 Regexp /a.out/ 正确的用法为: / a\.out/
[...]字符集合, 用以表示两中括号间所有的字符当中的任一个.
例如:
Regexp /[Tt]/ 可用以表示字符 "T" 或 "t".故 Regexp /[Tt]he/ 表示 字串 "The" 或 "the".
字符集合[...] 內不可随意留空白.
例如:Regexp /[ Tt ]/ 其中括号內有空白字符, 除表示"T","t" 中任一个字符, 也可代表一个" "(空白字符)
- 字符集合中可使用 "-" 来指定字符的区间, 其用法如下:
Regexp /[0-9]/ 等于 /[0123456789]/ 用以表示任意一个阿拉伯数字.
同理Regexp /[A-Z]/ 用以表示任意一个大写英文字母.
但应留心:
Regexp /[0-9a-z]/ 并不等于 /[0-9][a-z]/; 前者表示一个字符,后者表示二个字符.
Regexp /[-9]/ 或 /[9-]/ 只代表字符 "9"或 "-".
[^...]使用[^..] 产生字符集合的补集(complement set).
其用法如下:
例如: 要指定 "T" 或 "t" 之外的任一个字符, 可用 /[^Tt]/ 表之.
同理Regexp /[^a-zA-Z]/ 表示英文字母之外的任一个字符.
须留心"^" 的位置 :"^"必须紧接於"["之后, 才代表字符集合的补集
例如 :Regexp/[0-9\^]/ 只是用以表示一个阿拉伯数字或字符"^".
* 形容字符重复次数的特殊字符.
"*" 形容它前方之字符可出现 1 次或多次, 或不出现(0次).
例如:
Regexp /T[0-9]*\.c/ 中 * 形容其前 [0-9] (一个阿拉伯数字)出现的次数可为 0次或 多次.故Regexp/T[0-9]*\.c/ 可用以表示"T.c","T0.c", "T1.c"..."T19.c"
+形容其前的字符出现一次或一次以上.
例如:
Regexp /[0-9]+/ 用以表示一位或一位以上的数字.
形容其前的字符可出现一次或不出现.
例如:
Regexp /[+-]?[0-9]+/ 表示数字(一位以上)之前可出现正负号或不出现正负号.
(...)用以括住一群字符,且将之视成一个group(见下面说明)
例如 :
Regexp /12+/ 表示字串 "12","122", "1222", "12222",...
Regexp /(12)+/ 表示字串 "12","1212", "121212", "12121212"....
上式中12 以( )括住, 故 "+" 所形容的是 12, 重复出现的也是 12.
| 表示逻辑上的"或"(or)
例如:
Regexp / Oranges? | apples? |water/ 可用以表示: 字串"Orange", "Oranges" 或 "apple", "apples" 或 "water"
l match是什么
讨论Regexp 时, 经常遇到 "某字串匹配( match )某 Regexp"的字眼. 其意思为 : "这个 Regexp 可被解释成该字串".
[ 例如] :
字串"the" 匹配(match)Regexp /[Tt]he/.
因为Regexp /[Tt]he/ 可解释成字串 "the" 或 "The", 故字串 "the" 或 "The"都匹配(match) Regexp /[Th]he/.
l awk 中提供二个关系运算符(Relational Operator,见注一) ~ !~,
它们也称之为 match, not match.但函义与一般常称的 match 略有不同.
其定义如下:
A 表一字串, B 表一 Regular Expression
只要 A 字串中存在有子字串可 match( 一般定义的 match) Regexp B , 则 A ~B 就算成立, 其值为 true, 反之则为 false.
! ~ 的定义与~恰好相反.
例 如 :
"another" 中含有子字串 "the" 可 match Regexp /[Tt]he/ , 所以
"another" ~ /[Tt]he/ 之值为 true.
[注一] : 有些论著不把这两个运算符( ~, !~)与 Relational Operators 归为一类.
l 应用 RegularExpression 解题的简例
下面列出一些应用 Regular Expression 的简例, 部分范例中会更改$0 之值, 若您使用的 awk不允许用户更改 $0时, 请改用 gawk.
例1:
将文件中所有的字串 "Regular Expression" 或 "Regular expression" 换成 "Regexp"
awk '
{ gsub( /Regular[ \t]+[Ee]xpression/,"Regexp")
}
' $*
例2:
去除文件中的空白行(或仅含空白字符或tab的行)
awk '$0 !~ /^[ \t]*$/ { print }' $*
例3:
在文件中具有 ddd-dddd (电话号码型态, d 表digital)的字串前加上"TEL : "
awk '
{ gsub( /[0-9][0-9][0-9]-[0-9][0-9][0-9][0-9]/,"TEL : &" )
}
' $*
例4:
从文件的Fullname 中分离出 路径 与 档名
awk '
BEGIN{
Fullname = "/usr/local/bin/xdvi"
match( Fullname, /.*\//)
path = substr(Fullname, 1, RLENGTH-1)
name = substr(Fullname, RLENGTH+1)
print "path :", path," name:",name
}
' $*
结果印出
path : /usr/local/bin name : xdvi
例5:
将某一数值改以现金表示法表示(整数部分每三位加一撇,且含二位小数)
awk '
BEGIN {
Number = 123456789
Number = sprintf("$%.2f",Number)
while( match(Number,/[0-9][0-9][0-9][0-9]/ ) )
sub(/[0-9][0-9][0-9][.,]/,",&", Number)
print Number
}
' $*
结果输出
$123,456,789.00
例6:
把文件中所有具 "program数字.f"形态的字串改为"[Ref : program数字.c]"
awk '
{
while( match( $0, /program[0-9]+\.f/ ) ){
Replace = "[Ref : "substr( $0, RSTART, RLENGTH-2) ".c]"
sub( /program[0-9]+\.f/,Replace)
}
}
' $*
----------------
正则表达式的介绍:
1.可以使用字符作为一个通配符来代替除换行符(\n)之外的任意一个字符,例如: .at可以与"cat","sat","mat"等匹配.通常,这种通配符用于操作系统中文件名匹配.
2.[a-z],任何含在[]中的内容都是一个字符,只匹配一个字符.
如:[a-zA-Z]代表任意大小写字母.
3.[^a-z].匹配任何不属于a-z中的字符.
4.[a-z&&[hij]].匹配hij任何一个(交集)
5.\s.匹配空字符(空格,tab,\n,换页,回车)
6.\S.匹配非空字符(和[^\s]一样)
7.\d.匹配数字,相当于[0-9]
8.\D.匹配非数字,相当于[^0-9],匹配中文,空格,换行符
9.\w.匹配词字符,相当于[a-zA-Z0-9],不包含中文,不能代表空格,换行符
10.\W.匹配非词字符,相当于[^\w],匹配一个中文字
逻辑运算符:
|:管道符.如:x|y表示x或y
():捕获组.(abc)|(xyz)表示abc或xyz
边界匹配符:
^:从头匹配
$:从尾匹配
\b:词界.
\B.非词界
量词:
量词描述一个模式吸收输入文本的方式.
*:前面字符或组匹配0或多个
+:前面字符或组匹配1或多个
:前面字符或组匹配0或1个
{n}:前面字符或组的数量为n个
{n,}:前面字符或组的数量至少n个
{n,m}:前面字符或组数量至少n个,最多m个
^表示字符串必须以后面的规则开头, 在这里就是说字符串必须以\s*开头.
\s 是空格的意思, * 表示有0个或多个
\s* 就是有0个或多个空格
(^\s*) 表示的就是以0个空格或者多个空格开头
| 表示或的意思, 也就是满足| 左边的也成立, 满足 | 右面的也成立.
\s*前面说过了
$ 的意思是字符串必须以前面的规则结尾
(\s*$) 的意思就是, 以0个空格或者多个空格结尾
/.../g 是正则表达式的属性, 表示全文匹配, 而不是找到一个就停止.
所以这个正则表达式替换的就是前导空格和后导空格
因为有前导空格, 就说明以0个或多个空格开头, 满足正则表达式中 | 前面的条件: (^\s*)
而如果有后导空格, 就说明以0个或多个空格结尾, 满足正则表达式中 | 后面的条件: (\s*$)
联系客服