3-16-正则表达式和三剑客

image-20220403163240849

什么是正则表达式

  • 正则表达式就是为了处理大量的字符串而定义的一套规则和方法。

  • 通过定义的这些特殊符号的辅助，系统管理员就可以快速过滤，替换或输出需要的字符串。

  • Linux 正则表达式一般以行为单位处理的。

image-20220405180916410

如何用正则表达式

通常Linux运维工作，都是面临大量带有字符串的内容，如

  • 配置文件
  • 程序代码
  • 命令输出结果
  • 日志文件

且此类字符串内容，我们常会有特定的需要，查找出符合工作需要的特定的字符串，因此正则表达式就出现了

  • 正则表达式是一套规则和方法
  • 正则工作时以单位进行，一次处理一行
  • 正则表达式化繁为简，提高工作效率
  • linux仅受三剑客（sed、awk、grep）支持，其他命令无法使用

学正则的注意事项

  • 正则表达式应用非常广泛，很多编程语言都支持正则表达式，用于处理字符串提取数据。
  • Linux下普通命令无法使用正则表达式的，只能使用linux下的三个命令，结合正则表达式处理。
    • sed
    • grep
    • awk
  • 通配符是大部分普通命令都支持的，用于查找文件或目录
  • 而正则表达式是通过三剑客命令在文件（数据流）中过滤内容的，注意区别
  • 以及注意字符集，需要设置LC_ALL=C，注意这一点很重要

关于字符集设置

你会发现很多shell脚本里都有这么一个语句如下

image-20220403193453007

作用是修改linux的字符集，通过locale命令可以查看本地字符集设置

linux通过如下变量设置程序运行的不同语言环境，如中文、英文环境。


[root@yuchao-tx-server ~]# locale
LANG=en_US.UTF-8
LC_CTYPE="zh_CN.UTF-8"
LC_NUMERIC="zh_CN.UTF-8"
LC_TIME="zh_CN.UTF-8"
LC_COLLATE="zh_CN.UTF-8"
LC_MONETARY="zh_CN.UTF-8"
LC_MESSAGES="zh_CN.UTF-8"
LC_PAPER="zh_CN.UTF-8"
LC_NAME="zh_CN.UTF-8"
LC_ADDRESS="zh_CN.UTF-8"
LC_TELEPHONE="zh_CN.UTF-8"
LC_MEASUREMENT="zh_CN.UTF-8"
LC_IDENTIFICATION="zh_CN.UTF-8"
LC_ALL=zh_CN.UTF-8

一般我们会使用$LANG变量来设置linux的字符集，一般设置为我们所在的地区，如zh_CN.UTF-8

[root@yuchao-tx-server ~]# echo $LANG
en_US.UTF-8

为了让系统能正确执行shell语句（由于自定义修改的不同语言环境，对一些特殊符号的处理区别，如中文输入法，英文输入法下的标点符号等，导致shell无法执行）

我们会使用如下语句，恢复linux的所有的本地化设置，恢复系统到初始化的语言环境。

[root@yuchao-tx-server ~]# export LC_ALL=C

通配符和正则的区别

1.从语法上就记住，只有awk、gre、sed才识别正则表达式符号、其他都是通配符

2.从用法上区分

  • 表达式操作的是文件、目录名（属于是通配符）
  • 表达式操作的是文件内容（正则表达式）

3.比如如下符号区别

通配符和正则表达式 都有  *  ?  [abcd] 符号
通配符中，都是用来标识任意的字符
如 ls *.log，可以找到a.log  b.log   ccc.log


正则中，都是用来表示这些符号前面的字符，出现的次数，如

grep 'a*'

实际案例

通配符，一般用于对文件名的处理，查找文件
如ls命令结合*
意思是匹配任意字符
[root@yuchao-tx-server test]# ls *.log
1.log  2.log  3.log  4.log  5.log


而三剑客，结合*符号，是处理文件内容，如grep
此时的*作用就不一样了

image-20220403164716418

正则表达式分类

使用正则表达式的问题是、有两大类正则表达式规范、linux不同的应用程序，会使用不同的正则表达式。

例如

  • 不同的编程语言使用正则（python,java）
  • Linux实用工具（sed、awk、grep）
  • 其他软件使用正则（mysql、nginx）

正则表达式是通过正则表达式引擎（regular expression engine）实现的。正则表达式引擎是 一套底层软件，负责解释正则表达式模式并使用这些模式进行文本匹配。

在Linux中，有两种流行的正则表达式引擎： 

基于unix标准下的正则表达式符号规则有两类：
POSIX基础正则表达式（basic regular expression，BRE）引擎

POSIX扩展正则表达式（extended regular expression，ERE）引擎 

解释posix
POSIX（Portable Operating System Interface）是Unix系统的一个设计标准。
当年最早的Unix，源代码流传出去了，加上早期的Unix不够完善，于是之后出现了好些独立开发的与Unix基本兼容但又不完全兼容的OS，通称Unix-like OS

两类、正则表达式符号

linux规范将正则表达式分为了两种

  • 基本正则表达式（BRE、basic regular expression）
BRE对应元字符有 
^ $ . [ ] *

其他符号是普通字符
; \
  • 扩展正则表达式（ERE、extended regular expression）
ERE在在BRE基础上，增加了
( ) { } ? + |  等元字符
  • 转义符
反斜杠 \
反斜杠用于在元字符前添加，使其成为普通字符

基本正则表达式（BRE）

测试文本数据

[root@yuchao-tx-server test]# cat chaoge666.txt
I am teacher yuchao.
I teach linux,python!

I like english

My website is http://yuchaoit.cn
Our school site is https://apecome.com
My qq num is 877348180

Good good study , day day up!

关于单引号、双引号

  • 正则的模式，建议使用双引号
  • 如果未涉及变量等，用单引号也不影响

grep与正则


NAME
       grep, egrep, fgrep - print lines matching a pattern

SYNOPSIS
       grep [OPTIONS] PATTERN [FILE...]
       grep [OPTIONS] [-e PATTERN | -f FILE] [FILE...]

例如传入的pattern（模式是） ，我们可以统称你写的正则是模式

^m，以m开头的行

[root@yuchao-tx-server test]# grep  -i -n  '^m' chaoge666.txt
6:My website is http://yuchaoit.cn
8:My qq num is 877348180

^ 尖角符

语法
写于最左侧，如
^yu 逐行匹配，找到以yu开头的内容

结合grep用法，-i 忽略大小写

image-20220403204344736

结合grep的参数 -o 只显示一行中匹配出来内容

image-20220403204511334

结合grep，过滤出以i开头的行，且显示行号

image-20220403204704501

$ 美元符

语法

word$ 匹配以word结尾的行

匹配所有以字符n结尾的行

image-20220403205308032

匹配所有以小数点. 结尾的行，这里因为.也有特殊作用，因此得使用单引号、或者转义符。

image-20220404110725626

单、双引号区别

单引号、所见即所得，可以用于匹配如标点符号，还原其本义。

image-20220403205515698

双引号、能够识别linux的特殊符号、或变量，需要借助转义符还原字符本义。

image-20220403205626292

当需要引号嵌套时，一般做法是，双引号，嵌套单引号。

^$ 匹配空行

找出文件的空行

image-20220404113514796

. 点符

. 匹配除了换行符以外所有的内容、字符+空格，除了换行符。

. 点处理空格、换行

. 可以匹配到空格，以及任意字符

但是点，不匹配换行符。

image-20220404114046906

. 匹配除换行符的所有字符

image-20220404114224722

. 代表任意一个字符

分别传入grep的模式

y.

y.. 任意2个字符

实践代码

image-20220404144715047

匹配符合模式.ac 的行

image-20220404150913337

.$ 匹配任意字符结尾

拿到每一行的结尾

image-20220404150208541

. 和转义符

只想拿到每一行结尾的普通小数点 .，需要对点转义

image-20220404150350485

\ 转义符

转义字符，让有特殊意义的字符，现出原形，还原其本义。

如
\.  还原为小数点

空格、换行、tab

https://deerchao.cn/tools/wegester/使用这个网址来测试换行符的匹配

image-20220410191538355

关于linux的换行符

image-20220410192210644

语法记忆

\b 匹配单词边界，如我想从字符串中“This is Regex”匹配单独的单词 “is” 正则就要写成 “\bis\b”

\n 匹配换行符 ，表示newline，向下移动一行，不会左右移动
\r 匹配回车符，表示return，回到当前行的最左边

linux换行符是\n，表示\r+\n 换行且回车，换行且回到下一行的行首


windows换行符是\r\n，表示回车+换行

\t 匹配一个横向的制表符，等于tab键

image-20220404152358185

* 星号

重复前一个字符0此或n次

image-20220404185819618

.* 符

匹配任意字符

.表示任意一个字符，*表示匹配前一个字符0次或多次

因此放一起，代表匹配每一行所有内容，包括空格

注意 . 点不匹配换行

image-20220404190557770

图解点 . 不匹配换行

首先，不匹配换行这事，是因为 . 的作用
.* 是重复前面这个字符0次或N次

image-20220408192027823

^.* 符

语法
^.* 表示以任意多个字符开头的行

基础用法，^.*

image-20220404191504690

找出任意以字母i开头的行，且匹配后续所有内容

image-20220404191101082

加大难度

找出任意以字母i开头的行，且以h结尾的行

image-20220404191228601

.*$ 符

以任意多个字符结尾的行

image-20220404191725480

你可以加上条件，例如p.*$

以p.*$结尾的行
等于、匹配出从p到结尾的所有内容

image-20220404191822956

[ ] 中括号

中括号，有如下用法

[abc]

[abc] 匹配括号内的小写a、b、c字符

关于到大小写的精准匹配，就别添加忽略大小写参数了

image-20220404193214895

[a-z]、 [A-Z] 、[a-zA-z]、[0-9]

[a-z]                匹配所有小写单个字母
[A-Z]                匹配所有单个大写字母
[a-zA-Z]        匹配所有的单个大小写字母
[0-9]                匹配所有单个数字
[a-zA-Z0-9]    匹配所有数字和字母

[a-z] 匹配小写字母

image-20220404195729328

[A-Z] 匹配大写字母

image-20220404195744056

[a-z0-9] 匹配小写字母和数字

image-20220404195849345

[0-9A-Z] 匹配大写字母和数字

image-20220404195920656

[a-z0-9A-Z] 匹配大写、小写字母、数字

image-20220404200002692

abc 中括号取反

语法

[^abc] 排除中括号里的a、b、c ，和单独的^符号，作用是不同的

[^a-z] 排除小写字母

image-20220404200623766

{ } 花括号（扩展正则）

a\{n,m\}

a\{n,m\} 重复字符a，n到m次

a\{1,3\} 重复字符a，1到3次

实践

测试数据
[root@yuchao-tx-server test]# cat chaoge666.txt
I am teacher yuchao.
I teach linux,python!

I like english

My website is http://yuchaoit.cn
Our school site is https://apecome.com
My qq num is 877348180

my qq num is not  87777773333344444888811188880000

Goog good study , day day up!

正则

8\{1,3\}
匹配数字8一次到3次

image-20220404201218034

每次最少找出2个8、最多3个8

8\{2,3\}

image-20220404201432127

grep 默认不认识扩展正则 {}

grep默认不认识扩展正则{}，识别不到它的特殊作用，因此只能用转义符，让他成为有意义的字符。

image-20220404201813308

办法1
使用转义符 \{\}

办法2，让grep认识花括号，可以省去转义符
使用egrep命令
或者 grep -E

实践

image-20220404201955533

a\{n,\}

重复a字符至少n次，可以用简写了

image-20220404202208850

a\{n\}

重复字符a，正好n次。

image-20220404202332225

a\{,m\}

匹配字符a最多m次。

image-20220404202528175

扩展正则表达式（ERE）

这样记忆就好

  • 基本正则表达式
    • 属于早期正则表达式，支持一些基本的功能
    • 与grep、sed命令结合使用
  • 扩展正则表达式
    • 后来添加的正则表达式
    • 和egrep、awk命令结合

+ 加号

语法

+ 
重复前一个字符1次或多次
注意和*的区别，*是0次或多次

匹配一次或者多次0，没有0的行是不会显示的

0+

找出一个、或者多个数字零

image-20220405123257126

[0-9]+

从文中找出连续的数字，排除字母，特殊符号、空格

image-20220405123915904

[a-z]+

找出连续的小写字母、排除大写字母、标点符号、数字

image-20220405124233138

[A-Za-z0-9]+

注意，这里添加了+号，就是找的连续的字母数字了、缺少+号则是每次匹配单个字符

image-20220405124425616

[^A-Za-z0-9]+]

此写法，找出除了数字、大小写字母以外的内容，如空格、标点符号。

你可以使用-o参数，看到每次匹配的内容。

image-20220405124936650

*和+的区别

语法
*是重复0次、重复多次，因此没匹配到的行也过滤出来了

+是重复1次、多次、因此至少匹配到1次才看到

例如，我们来找到字母o，看如下2个写法

image-20220405125647057

go*d和go+d和go?d区别

准备测试数据

[root@yuchao-tx-server test]# cat god.log
I am God, I need you to good good study and day day up, otherwise I will send you to see Gd,oh sorry, gooooooooood!

关于寻找god、goooood、gd的区别

go*d 可以有0个或者n个字母o
go*d 可以找到god、good、gd、gooooooooood

go+d 可以有一个或n个字母o
go+d 可以找到god、good、gooooooooood

go?d  可以有0个或者1个字母0
go?d 可以找到gd、god

image-20220405132551007

| 或者符

竖线在正则里是或者的意思

查看内存信息

image-20220405133043311

查看文件系统inode和block信息

ext4文件系统

[242-yuchao-class01 root ~]#dumpe2fs /dev/sdc |grep -Ei '^(inode|block)'
dumpe2fs 1.42.9 (28-Dec-2013)
Inode count:              1310720
Block count:              5242880
Block size:               4096
Blocks per group:         32768
Inodes per group:         8192
Inode blocks per group:   512
Inode size:                  256

xfs文件系统

[242-yuchao-class01 root /mnt]#xfs_info /mnt |grep -E 'blocks.*imax.*|isize='
meta-data=/dev/sdd               isize=512    agcount=4, agsize=3276800 blks
data     =                       bsize=4096   blocks=13107200, imaxpct=25

找出文件中的空行以及注释行

测试数据

[root@yuchao-tx-server test]# cat chaoge666.txt 
I am teacher yuchao.
I teach linux,python!

I like english

My website is http://yuchaoit.cn
Our school site is https://apecome.com
My qq num is 877348180

my qq num is not  87777773333344444888811188880000

#Goog good study , day day up!
#
#hello  halo

image-20220405150556440

( ) 括号、分组符

语法
() 作用是将一个或者多个字符捆绑在一起，当做一个整体进行处理

小括号功能之一是分组过滤被括起来的内容，括号内的内容表示一个整体

括号()内的内容可以被后面的"\n"正则引用，n为数字，表示引用第几个括号的内容

\1：表示从左侧起，第一个括号中的模式所匹配到的字符
\2：从左侧起，第二个括号中的模式所匹配到的字符

分组基本用法

测试数据
[root@yuchao-tx-server test]# cat god.log
I am God, I need you to good good study and day day up, otherwise I will send you to see Gd,oh sorry, gooooooooood!
I am glad to see you, god,you are a good god!

要求仅仅匹配出glad和good

尝试使用正则
grep -iE "gla|ood" god.log

image-20220405173609202

并非我们想要的数据
我想要的是例如这样的匹配，只找出good、glad
grep -iE "glad|good" god.log

image-20220405173646473

可以使用分组写法

grep -iE "g(la|oo)d" god.log

image-20220405173816906

分组与向后引用

语法
()      
分组过滤，被括起来的内容表示一个整体，另外()的内容可以被后面的\n引用，n为数字，表示引用第几个括号的内容

\n      
引用前面()里的内容，例如(abc)\1 表示匹配abcabc

测试数据

[root@yuchao-tx-server test]# cat lovers.log
I like my lover.
I love my lover.
He likes his lovers.
He love his lovers.

分组正则，提取love出现2次的行。

拆解
love，可以写为l..e

image-20220405175634324

提取/etc/passwd

找出系统中几个特殊shell、专门用来开机，关机的用户
特点是、用户名、登录shell名字一样
可以用分区提取出

image-20220405175835135

分组正则，提取特殊用户

这部分正则需要拆开，更容易理解
1.提取冒号以外的字符，使用+可以匹配更多字母，没必要每次只处理一个
grep -Ei "[^:]+" /etc/passwd

2. 使用\b匹配单词边界，提取出单词，示例用法，通常英文单词的边界是空格，标点符号
[root@yuchao-tx-server test]# echo  'my name is chao,everyone call me chaoge' | grep -Ei "chao\b" -o
chao

3.继续提取用户文件，来确定第一个单词的边界

image-20220405183453377

完整图解

image-20220405184538736

更简单的写法，多次分组

image-20220411163812863

正则表达式总结

基础正则 BRE
^ 
$ 
. 
*
.*
[abc]
[^abc]
\{n,m\}

BRE语法

. 匹配单个任意字符, 匹配 . 本身使用 \.

* 前面的字符或模式重复任意次，匹配 * 本身使用 \*

\{m\} 前面的字符或模式重复m次

\{m,n\} 前面的字符或模式重复m到n次

\{m,\} 前面的字符或模式重复m次及以上

\(regexp\) 分组，将 \( 和 \) 之间的内容视为一个整体，有两个作用

  1. 配合前面的 * \{m,n\} 等量词使用，例如： ab\{2\} 匹配“abb”, 而 \(ab\)\{2\} 匹配“abab”
  2. 向后引用（back references），使用 \1 ~ \9 来引用第1~9个分组匹配的内容
  3. 例如： \(ab*\)\1 可以匹配“abab”，也能匹配“abbbabbb”

^ 放在正则表达式开头则匹配行首，其他位置匹配 ^ 本身

$ 放在正则表达式末尾则匹配行尾，其他位置匹配 $ 本身

[list] 自定义字符集，可以匹配 [ 和 ] 之间出现的任意字符，例如： a[bcd] 可以匹配”ab"，“ac”或“ad”。

且支持使用char1-char2这种省略写法，例如： [0-9]* 可以匹配”1234567890“ ， [a-c]* 可以匹配“cabba”

[^list] 同上，^取反的作用，匹配所有没有出现在 [ 和 ] 之间的其他字符

另外其他风格的正则表达式中有诸如 \d \w \s 等速记符号（shorthand）表示一些常用字符集，BER和ERE均不支持这种写法，取而代之的是POSIX标准中定义的字符集：

POSIX正则语法表
POSIX Description ASCII Shorthand
[:alnum:] 数字和字母 [a-zA-Z0-9]
[:alpha:] 字母 [a-zA-Z]
[:ascii:] ASCII字符 [\x00-\x7F]
[:blank:] 空格和 Tab [ \t] \h
[:cntrl:] 控制字符 [\x00-\x1F\x7F]
[:digit:] 数字 [0-9] \d
[:graph:] 可视字符 [\x21-\x7E]
[:lower:] 小写字母 [a-z] \l
[:print:] 可打印字符 [\x20-\x7E]
[:punct:] 标点符号 [!"#$%&'()*+, -./:;<=>?@[ ]^_‘{\ }~]
[:space:] 所有空白字符 [ \t\r\n\v\f] \s
[:upper:] 大写字母 [A-Z] \u
[:word:] 单词 [A-Za-z0-9_] \w
[:xdigit:] 十六进制数 [A-Fa-f0-9] 
注意：[ 和 ] 也是该字符集名称的一部分，即在使用中和 [0-9] 等价的是 [[:digit:]] 而不是 [:digit:]

ERE语法

ERE和BRE的最显著的区别是ERE中所有元字符（metacharacters）均不需要使用 \ 进行转义，即用 {m,n} 替代 \{m,n\} , (regexp) 替代 \(regexp\) （当然分组向后引用依旧是 \1 ~ \9）。

此外ERE还在BRE基础上增加了以下语法：

? 前面的字符或模式重复0或1次

+ 前面的字符或模式重复1次及以上

|，regexp1|regexp2匹配regexp1或regexp2

GNU扩展的BRE

实际上现代Linux发行版中使用的 grep sed awk 等工具均由GNU提供，GNU在实现时对BRE进行了扩展，增加了 \? \+ \| 使得BRE和ERE的区别仅剩元字符是否需要转义。

个人认为BRE现在存在的主要意义还是向下兼容，避免修改已经投入使用的正则表达式。

正则官网讲解

参考官网文档，拿到最精准的解释

https://www.regular-expressions.info/posix.html
https://www.regular-expressions.info/posixbrackets.html
https://www.gnu.org/software/sed/manual/html_node/BRE-syntax.html#BRE-syntax

总结grep

  • egrep被淘汰，使用grep -E
  • 可以是用grep -o参数，查看每次匹配的结果
  • 正则需要在练习中理解其含义，无法死记硬背
  • 后面结合sed、awk发挥更多正则作用

正则记忆表

image-20220405213956490

image-20220405214008926

image-20220405214019278

可以用于在线测试正则的网站

https://deerchao.cn/tools/wegester/

Copyright © www.bikongge.com 2024 all right reserved，powered by Gitbook作者：猿来教育 2024-05-11 17:46:33

results matching ""

    No results matching ""