理论+实验·正则表达式与文本处理器

正则表达式概述

正则表达式的定义

正则表达式又称正规表达式、常规表达式。在代码中常简写为 regex、regexp 或 RE。正则表达式是使用单个字符串来描述、匹配一系列符合某个句法规则的字符串，简单来说， 是一种匹配字符串的方法，通过一些特殊符号，实现快速查找、删除、替换某个特定字符串。

正则表达式是由普通字符与元字符组成的文字模式。模式用于描述在搜索文本时要匹 配的一个或多个字符串。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。其中普通字符包括大小写字母、数字、标点符号及一些其他符号，元字符则是指 那些在正则表达式中具有特殊意义的专用字符，可以用来规定其前导字符（即位于元字符 前面的字符）在目标对象中的出现模式。

正则表达式一般用于脚本编程与文本编辑器中。很多文本处理器与程序设计语言均支持正则表达式，例如 Linux 系统中常见的文本处理器（grep、egrep、sed、awk）以及应用比较广泛的 Python 语言。正则表达式具备很强大的文本匹配功能，能够在文本海洋中快速高效地处理文本。

正则表达式用途

对于一般计算机用户来说，由于使用到正则表达式的机会不多，所以无法体会正则表达 式的魅力，而对于系统管理员来说，正则表达式则是必备技能之一。

正则表达式对于系统管理员来说是非常重要的，系统运行过程中会产生大量的信息，这些信息有些是非常重要的，有些则仅是告知的信息。身为系统管理员如果直接看这么多的信息数据，无法快速定位到重要的信息，如“用户账号登录失败”“服务启动失败”等信息。这时可以通过正则表达式快速提取“有问题”的信息。如此一来，可以将运维工作变得更加简单、 方便。

目前很多软件也支持正则表达式，最常见的就是邮件服务器。在 Internet 中，垃圾/广告邮件经常会造成网络塞车，如果在服务器端就将这些问题邮件提前剔除的话，客户端就会 减少很多不必要的带宽消耗。而目前常用的邮件服务器 postfix 以及支持邮件服务器的相关分析软件都支持正则表达式的对比功能。将来信的标题、内容与特殊字符串进行对比，发现 问题邮件就过滤掉。

除邮件服务器之外，很多服务器软件都支持正则表达式。虽然这些软件都支持正则表达 式，不过字符串的对比规则还需要系统管理员来添加，因此正则表达式是系统管理员必须掌 握的技能之一。

基础正则表达式—grep

-n	显示行号-i	不区分大小写-v	反查

查找特定字符

[root@localhost ~]# grep -n 'the' test.txt	===>过滤带有'the'的行[root@localhost ~]# grep -vn 'the' test.txt	===>过滤不带'the'的行

利用中括号“[]”来查找集合字符

[root@localhost ~]# grep -n 'sh[io]rt' test.txt	===>过滤带有'shot'跟'shit'的行[root@localhost ~]# grep -n 'oo' test.txt	===>过滤带'oo'的行[root@localhost ~]# grep -n '[^w]oo' test.txt	===>过滤'oo'前不带w的行[root@localhost ~]# grep -n‘[^a-z]oo’test.txt	===>过滤'oo'前面不存在小写字母的行[root@localhost ~]# grep -n‘[0-9]’test.txt	===>过滤包含数字的行

查找行首“^”与行尾字符“$”

[root@localhost ~]# grep -n '^the' test.txt	===>过滤以'the'开头的行[root@localhost ~]# grep -n '^[a-z]' test.txt	===>过滤以小写字母开头的行[root@localhost ~]# grep -n '^[A-Z]' test.txt	===>过滤以大写字母开头的行[root@localhost ~]# grep -n '^[^a-zA-Z]' test.txt	===>过滤以字母开头的行[root@localhost ~]# grep -n '\.$' test.txt	===>过滤以'.'结尾的行[root@localhost ~]# grep -n '^$' test.txt	===>过滤空白的行

查找任意一个字符“.”与重复字符“*”

[root@localhost ~]# grep -n 'w..d' test.txt	===>过滤以'w'开头'd'结尾中间只有两个字符的行[root@localhost ~]# grep -n 'ooo*' test.txt	===>过滤'00'或者'000'或者很多'o'的行[root@localhost ~]# grep -n 'woo*d' test.txt	===>查询以w开头d结尾,中间是一个'0'或者多个'o'的行[root@localhost ~]# grep -n 'w.*d' test.txt	===>查询以'w'开头'd'结尾，中间的字符可有可无的字符串[root@localhost ~]# grep -n '[0-9][0-9]*' 	===>过滤任意数字所在的行

查找连续字符范围“{}”

[root@localhost ~]# grep -n 'o\{2\}' test.txt	===>查询两个'o'的字符[root@localhost ~]# grep -n 'wo\{2,5\}d' test.txt	===>查询'w'开头以'd'结尾,中间包含2~5个'o'的字符串.[root@localhost ~]# grep -n 'wo\{2,\}d' test.txt	===>查询'w'开头以'd'结尾,中间包含2个或2个以上'o'的字符串.

元字符总结

元字符	作用
^	匹配输入字符串的开始位置。除非在方括号表达式中使用，表示不包含该字符集合。要匹配“^” 字符本身，请使用“^”
$	匹配输入字符串的结尾位置。如果设置了RegExp 对象的 Multiline 属性，则“KaTeX parse error: Undefined control sequence: \n at position 6: ”也匹配‘\̲n̲’或‘\r’。要匹配“”字符本身，请使用“$”
.	匹配除“\r\n”之外的任何单个字符
\	反斜杠，又叫转义字符，去除其后紧跟的元字符或通配符的特殊意义
*	匹配前面的子表达式零次或多次。要匹配“*”字符，请使用“*”
[]	字符集合。匹配所包含的任意一个字符。例如，“[abc]”可以匹配“plain”中的“a”
[^]	赋值字符集合。匹配未包含的一个任意字符。例如，“[^abc]”可以匹配“plain”中任何一个字母
[n1n2]	字符范围。匹配指定范围内的任意一个字符。例如，“[a-z]”可以匹配“a”到“z”范围内的任意一个小写字母字符。注意：只有连字符（-）在字符组内部，并且出现在两个字符之间时，才能表示字符的范围；如果出现在字符组的开头，则只能表示连字符本身
{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“oo”
{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

扩展正则表达式—egrep

元字符	作用与示例
+	作用：重复一个或者一个以上的前一个字符
	示例：执行“egrep -n ‘wo+d’ test.txt”命令，即可查询"wood" “woood” "woooooood"等字符串
?	作用：零个或者一个的前一个字符
	示例：执行“egrep -n ‘bes?t’ test.txt”命令，即可查询“bet”“best”这两个字符串
|	作用：使用或者（or）的方式找出多个字符
	示例：执行“egrep -n ‘of|is|on’ test.txt”命令即可查询"of"或者"if"或者"on"字符串() 作用：查找“组”字符串
	示例：“egrep -n ‘t(a|e)st’ test.txt”。“tast”与“test”因为这两个单词的“t”与“st”是重复的，所以将“a”与“e”列于“()”符号当中，并以“|”分隔，即可查询"tast"或者"test"字符串
()+	作用：辨别多个重复的组
	示例：“egrep -n ‘A(xyz)+C’ test.txt”。该命令是查询开头的"A"结尾是"C"，中间有一个以上的"xyz"字符串的意思

文本处理器—sed

sed（Stream EDitor）是一个强大而简单的文本解析转换工具，可以读取文本，并根据指定的条件对文本内容进行编辑（删除、替换、添加、移动等），最后输出所有行或者仅输出处理的某些行。sed 也可以在无交互的情况下实现相当复杂的文本处理操作，被广泛应用于 Shell 脚本中，用以完成各种自动化处理任务。

sed 的工作流程主要包括读取、执行和显示三个过程。

读取：sed 从输入流（文件、管道、标准输入）中读取一行内容并存储到临时的缓冲区中（又称模式空间，pattern space）。

执行：默认情况下，所有的 sed 命令都在模式空间中顺序地执行，除非指定了行的地址，否则 sed 命令将会在所有的行上依次执行。

显示：发送修改后的内容到输出流。在发送数据后，模式空间将会被清空。

在所有的文件内容都被处理完成之前，上述过程将重复执行，直至所有内容被处理完。

注意：默认情况下所有的 sed 命令都是在模式空间内执行的，因此输入的文件并不会发生任何变化，除非是用重定向存储输出。

sed命令常见用法

sed [选项] '操作' 参数sed [选项] -f scriptfile 参数

选项

-e	用指定命令或者脚本来处理输入的文本文件-f	用指定的脚本文件来处理输入的文本文件-h	显示帮助-n	仅显示处理后的结果-i	直接编辑文本文件

操作

a	增加,在当前行下面增加一行指定内容c	替换,将选定行替换为指定内容d	删除,删除选定的行i	插入,在选定的行上面插入一行指定内容p	打印,如果同时指定行,表示打印指定行;如果不指定行,则表示打印所有内容;如果有非打印字符,则以ASCII码输出.其通常与"-n"选项一起使用s	替换,替换指定字符y	字符转换

输出符合条件的文本（p 表示正常输出）

[root@localhost ~]# sed -n 'p' test.txt	===>输出所有内容[root@localhost ~]# sed -n '3p' test.txt	===>输出第三行[root@localhost ~]# sed -n '3,5p' test.txt	===>输出3~5行[root@localhost ~]# sed -n 'p;n' test.txt	===>输出奇数行,n表示直接读取下一行[root@localhost ~]# sed -n 'n;p' test.txt	===>输出偶数行,第一行直接n第二行p输出[root@localhost ~]# sed -n '1,5{p;n}' test.txt	===>输出1-5行之间的奇数行[root@localhost ~]# sed -n '10,${n;p}' test.txt	===>输出第十行到文件尾之间的偶数行[root@localhost ~]# sed -n '/the/=' test.txt	===>输出包含'the'的行所在的行号.'='用来输出行号[root@localhost ~]# sed -n '/^PI/p' test.txt	===>输出以Pl开头的行[root@localhost ~]# sed -n '/[0-9]$/p' test.txt	===>输出以数字结尾的行[root@localhost ~]# sed -n '/\<wood\>/p' test.txt	===>输出包含单词'wood'的行,\<\>代表单词边界,需要转义

删除符合条件的文本（d）

[root@localhost ~]# nl test.txt | sed '3d'	===>删除第三行,nl 显示文章的行号[root@localhost ~]# nl test.txt | sed '3,5d'	===>删除3~5行[root@localhost ~]# nl test.txt |sed '/cross/d'	===>删除'cross'所在的行[root@localhost ~]# sed '/^[a-z]/d' test.txt	===>删除以小写字母开头的行[root@localhost ~]# sed '/\.$/d' test.txt	===>删除以'.'结尾的行[root@localhost ~]# sed '/^$/d' test.txt	===>删除所有空行

注 意 ： 若 是 删 除 重 复 的 空行 ， 即 连 续 的 空 行 只 保 留 一 个 ， 执 行“sed -e‘/^KaTeX parse error: Expected group after '^' at position 6: /{n;/^̲/d}’ test.txt”命令即可实现。其效果与“cat -s test.txt”相同，n 表示读下一行数据。

替换符合条件的文本

sed 's/the/THE/' test.txt	===>将每行中的第一个'the'替换为'THE'sed 's/l/L/2' test.txt	===>将每行中的第2个'l'替换为'L'sed 's/the/THE/g' test.txt	===>将文件中的所有'the'替换为'THE'sed 's/o//g' test.txt	===>将文件中的所有'o'删除(替换为空串)sed 's/^/#/' test.txt	===>在每行行首插入'#'号sed '/the/s/^/#/' test.txt	===>在包含'the'的每行行首插入'#'号sed 's/$/EOF/' test.txt	===>在每行行尾插入字符串'EOF'sed '3,5s/the/THE/g' test.txt	===>将第 3~5 行中的所有'the'替换为'THE'sed '/the/s/o/O/g' test.txt	===> 将包含'the'的所有行中的'o'都替换为'O'

迁移符合条件的文本

H	复制到剪贴板g、G	将剪贴板中的数据覆盖/追加至指定行w	保存为文件r	读取指定文件a	追加指定内容

sed '/the/{H;d};$G' test.txt	===>将包含'the'的行迁移至文件末尾,{;}用于多个操作sed '1,5{H;d};17G' test.txt	===>将第 1~5 行内容转移至第17行后sed '/the/w out.file' test.txt	===>将包含'the'的行另存为文件 out.filesed '/the/r /etc/hostname' test.txt	===>将文件/etc/hostname 的内容添加到包含'the'的每行以后sed '3aNew' test.txt	===>在第 3 行后插入一个新行,内容为Newsed '/the/aNew' test.txt	===>在包含'the'的每行后插入一个新行,内容为 Newsed '3aNew1\nNew2' test.txt	===>在第 3 行后插入多行内容,中间的\n 表示换行

使用脚本编辑文件

sed '1,5{H;d};17G' test.txt	===>将第1~5行内容转移至第17行后[root@localhost ~]# vi opt.list
1,5H
1,5d
17G[root@localhost ~]# sed -f opt.list test.txt

awk 工具

awk常见用法

在使用 awk 命令的过程中,可以使用逻辑操作符“&&”表示“与”、“||” 表示“或”、“！”表示“非”；还可以进行简单的数学运算，如+、-、*、/、%、^分别表示加、减、乘、除、取余和乘方。

awk 选项 '模式或条件 {编辑指令}' 文件 1 文件 2 …	===>过滤并输出文件中符合条件的内容awk   -f   脚本文件 文件 1 文件 2 …	===>从脚本中调用编辑指令,过滤并输出内容

[root@localhost ~]# awk -F ':' '{print $1,$3,$4}' /etc/passwd	查找出/etc/passwd 的用户名、用户 ID、组 ID 

awk的几个特殊的内建变量

FS	指定每行文本的字段分隔符，默认为空格或制表位。NF	当前处理的行的字段个数。NR	当前处理的行的行号（序数）。$0	当前处理的行的整行内容。$n	当前处理行的第 n 个字段（第 n 列）。FILENAME	被处理的文件名。RS	数据记录分隔，默认为\n，即每行为一条记录。

按行输出文本

awk '{print}' test.txt	===>输出所有内容,等同于 cat test.txtawk '{print $0}' test.txt	===>输出所有内容,等同于 cat test.txtawk 'NR==1,NR==3{print}' test.txt	===>输出第 1~3 行内容awk '(NR>=1)&&(NR<=3){print}' test.txt	===>输出第 1~3 行内容awk 'NR==1||NR==3{print}' test.txt	===>输出第 1 行、第 3 行内容awk '(NR%2)==1{print}' test.txt	===>输出所有奇数行的内容awk '(NR%2)==0{print}' test.txt	===>输出所有偶数行的内容awk '/^root/{print}' /etc/passwd	===>输出以root 开头的行awk '/nologin$/{print}' /etc/passwd	===>输出以 nologin 结尾的行awk 'BEGIN {x=0};/\/bin\/bash$/{x++};END {print x}' /etc/passwd	===>统计以/bin/bash 结尾的行数,等同于 grep -c "/bin/bash$" /etc/passwdawk 'BEGIN{RS=""};END{print NR}' /etc/squid/squid.conf	===>统计以空行分隔的文本段落数

按字段输出文本

awk '{print $3}' test.txt	===>输出每行中(以空格或制表位分隔)的第 3 个字段awk '{print $1,$3}' test.txt	===>输出每行中的第 1、3 个字段awk -F ":" '$2==""{print}' /etc/shadow	===>输出密码为空的用户的shadow 记录awk 'BEGIN {FS=":"}; $2==""{print}' /etc/shadow	===>输出密码为空的用户的shadow 记录awk -F ":" '$7~"/bash"{print $1}' /etc/passwd	===>输出以冒号分隔且第 7 个字段中包含/bash 的行的第 1 个字段awk '($1~"nfs")&&(NF==8){print $1,$2}' /etc/services	===>输出包含 8 个字段且第 1 个字段中包含 nfs 的行的第 1、2 个字段awk -F ":" '($7!="/bin/bash")&&($7!="/sbin/nologin"){print}' /etc/passwd	===>输出第 7 个字段既不为/bin/bash 也不为/sbin/nologin 的所有行

通过管道、双引号调用 Shell 命令

awk -F: '/bash$/{print | "wc -l"}' /etc/passwd	===>调用wc -l 命令统计使用 bash 的用户个数,等同于 grep -c "bash$" /etc/passwdawk 'BEGIN {while ("w" | getline) n++ ; {print n-2}}'	===>调用w 命令,并用来统计在线用户数awk 'BEGIN { "hostname" | getline ; print $0}'	===>调用hostname,并输出当前的主机名

sort 工具

常用选项

-f	忽略大小写；-b	忽略每行前面的空格；-M	按照月份进行排序；-n	按照数字进行排序；-r	反向排序；-u	等同于 uniq，表示相同的数据仅显示一行；-t	指定分隔符，默认使用[Tab]键分隔；-o <输出文件>	将排序后的结果转存至指定文件；-k	指定排序区域。

[root@localhost ~]# sort /etc/passwd	===>将/etc/passwd文件中的账号进行排序[root@localhost ~]# sort -t ':' -rk 3 /etc/passwd	===>将/etc/passwd文件中第三列进行反向排序[root@localhost ~]# sort -t ':' -k 3 /etc/passwd -o user.txt	===>将/etc/passwd文件中第三列进行排序,并将输出内容保存至user.txt文件中.

uniq 工具

常用选项

-c	进行计数；-d	仅显示重复行；-u	仅显示出现一次的行。

[root@localhost ~]# uniq testfile	===>删除testfile文件中的重复行[root@localhost ~]# uniq -c testfile	===>删除testfile文件中的重复行,并在行首显示该行重复出现的次数[root@localhost ~]# uniq -d testfile	===>查找testfile文件中的重复行

tr工具

常用选项

-c	取代所有不属于第一字符集的字符；-d	删除所有属于第一字符集的字符；-s	把连续重复的字符以单独一个字符表示；-t	先删除第一字符集较第二字符集多

[root@localhost ~]# echo "BIN" | tr 'A-Z' 'a-z'	将输入字符由大写转换为小写[root@localhost ~]# echo "thissss is	a text linnnnnnne." | tr -s 'sn'	===>压缩输入重复的字符[root@localhost ~]# echo 'hello world' | tr -d 'od'	===>删除字符串中某些字符