linux 正则表达式与文件格式化处理

此文涉及命令：grep、sed、awk、printf、diff、cmp、patch。

概念：

什么是正则表示法
- 简单的说，正则表示法就是处理字符串的方法，他是以行为单位来进行字符串的处理行为，正则表示法透过一些特殊符号的辅助，可以让使用者轻易的达到『搜寻/删除/取代』某特定字符串的处理程序！正则表示法基本上是一种『表示法』，只要工具程序支持这种表示法，那么该工具程序就可以用来作为正则表示法的字符串处理引用。例如 vi, grep, awk ,sed 等等工具，因为她们有支持正则表示法，所以，这些工具就可以使用正则表示法的特殊字符来进行字符串的处理。但例如 cp, ls 等指令并未支持正则表示法，所以就只能使用 bash 自己本身的通配符而已。
语系对正则表示法的影响
- 由于不同语系的编码数据并不相同，所以就会造成数据摘取结果的差异了，使用『 export LANG=C 』的设定值
sed工具------------可以将数据进行取代、删除、新增、摘取特定行等等的功能，本身也是一个管线命令
- sed 后面如果要接超过两个以上的动作时，每个动作前面得加 -e 才行
- 匹配最长的，最左边的
awk------数据处理工具

awk处理流程：
- 读入第一行，并将第一行的资料填入 $0, $1, $2.... 等变数当中；
- 依据 "条件类型" 的限制，判断是否需要进行后面的 "动作"；
- 做完所有的动作与条件类型；
- 若还有后续的『行』的数据，则重复上面 1~3 的步骤，直到所有的数据都读完为止。
在 awk 当中，变量可以直接使用，不需加上 $ 符号。
wk 的指令间隔：所有 awk 的动作，亦即在 {} 内的动作，如果有需要多个指令辅助时，可利用分号『;』间隔，或者直接以 [Enter] 按键来隔开每个指令！
BEGIN可以使第一行设置的分隔符就生效！
- 例：cat /etc/passwd | awk 'BEGIN {FS=":"} $3 < 10 {print $1 "\t " $3}'
awk 的动作内 {} 也是支持 if (条件) 的.
- 例：cat pay.txt |awk '{if(NR==1) printf"%10s %10s %10s %10s %10s\n",$1,$2,$3,$4,"Total"}
  1. NR>=2{total = $2 + $3 + $4printf "%10s %10d %10d %10d %10.2f\n", $1, $2, $3, $4, total}'

档案对比工具--------428
- diff----- 主要是以『行』为单位比对
- cmp-----则是以『字节』为单位去比对

命令：

grep---------
- grep [-A] [-B] [--color=auto] '搜寻字符串' filename
  - -a ：将 binary 档案以 text 档案的方式搜寻数据
  - -c ：计算找到 '搜寻字符串' 的次数
  - -i ：忽略大小写的不同，所以大小写视为相同
  - -n ：顺便输出行号
  - -v ：反向选择，亦即显示出没有 '搜寻字符串' 内容的那一行
  - -A ：后面可加数字，为 after 的意思，除了列出该行外，后续的 n 行也列出来；
  - -B ：后面可加数字，为 befer 的意思，除了列出该行外，前面的 n 行也列出来；
  - --color=auto 可将正确的那个摘取数据列出颜色
- 例：
  - 在关键词所在行的前两行与后三行也一起捉出来显示
  - [root@www ~]# dmesg | grep -n -A3 -B2 --color=auto 'eth'
sed----------管线命令---------417
- sed [-nefr] [动作]----------------------sed 后面接的动作，请务必以 '' 两个单引号括住喔！
  - -n ：使用安静(silent)模式。在一般 sed 的用法中，所有来自 STDIN 的数据一般都会被列出到屏幕上。但如果加上 -n 参数后，则只有经过 sed 特殊处理的那一行(或者动作)才会被列出来。
  - -e ：直接在指令列模式上进行 sed 的动作编辑；
  - -f ：直接将 sed 的动作写在一个档案内， -f filename 则可以执行 filename 内的 sed 动作；
  - -r ：sed 的动作支持的是延伸型正则表示法的语法。(预设是基础正则表示法语法)
  - -i ：直接修改读取的档案内容，而不是由屏幕输出。
  - 动作说明： [n1[,n2]]function
    - n1, n2 ：不见得会存在，一般代表『选择进行动作的行数』，举例来说，如果我的动作是需要在 10 到 20 行之间进行的，则『 10,20[动作行为] 』
    - function 有底下这些咚咚：
      - a ：新增， a 的后面可以接字符串，而这些字符串会在新的一行出现(目前的下一行
      - c ：取代， c 的后面可以接字符串，这些字符串可以取代 n1,n2 之间的行！
      - d ：删除，因为是删除啊，所以 d 后面通常不接任何咚咚；
      - i ：插入， i 的后面可以接字符串，而这些字符串会在新的一行出现(目前的上一行)
      - p ：打印，亦即将某个选择的数据印出。通常 p 会与参数 sed -n 一起运作～
      - s ：取代，可以直接进行取代的工作哩！通常这个 s 的动作可以搭配正则表示法！例如 1,20s/old/new/g 就是啦！
- /used/!s/new/used/g 将没有used的每一行里所有的new替换成used,!后面不要放置任何空白符!
printf------------格式化打印---------------------------------------423
- printf '打印格式' 实际内容
  - 关于格式方面的几个特殊样式：
    - \a 警告声音输出
    - \b 退格键(backspace)
    - \f 清除屏幕 (form feed)
    - \n 输出新的一行
    - \r 亦即 Enter 按键
    - \t 水平的 [tab] 按键
    - \v 垂直的 [tab] 按键
    - \xNN NN 为两位数的数字，可以转换数字成为字符。
  - 关于 C 程序语言内，常见的变数格式
    - %ns 那个 n 是数字， s 代表 string ，亦即多少个字符；
    - %ni 那个 n 是数字， i 代表 integer ，亦即多少整数字数；
    - %N.nf 那个 n 与 N 都是数字， f 代表 floating (浮点)，
    - 如果有小数字数，假设我共要十个位数，但小数点有两位，即为 %10.2f 啰！
awk-----------------适合处理小型的数据-------------424
1. awk '条件类型1{动作1} 条件类型2{动作2} ...' filename
  - 例：
    - [root@www ~]# last -n 1 <==仅取出前一行
    - 结果：root pts/1 192.168.1.100 Tue Feb 10 11:21 still logged in
    - last -n 5 | awk '{print $1 "\t" $3}'
    - 结果：root 192.168.1.100
  - $0 代表『一整列资料』的意思
2. awk变量名称与意义
  1. NF 每一行 ($0) 拥有的字段总数
  2. NR 目前 awk 所处理的是『第几行』数据
  3. FS 目前的分隔字符，默认是空格键
  4. OFS 输出字段分割符
    1. 例：需求：列出每一行的账号(就是 $1)；列出目前处理的行数(就是 awk 内的 NR 变量)，并且说明，该行有多少字段(就是 awk 内的 NF 变量)
      1. 命令：last -n 2| awk '{print $1 "\t lines: " NR "\t columes: " NF}'
      2. 结果：root lines: 1 columes: 10
        
        root lines: 2 columes: 10
3. awk的逻辑运算符
  1. 运算单元代表意义
  2. > 　　大于
  3. < 小于
  4. >= 大于或等于
  5. <= 小于或等于
  6. == 等于
  7. != 不等于
diff----------一般是用在 ASCII 纯文本档的比对上。分辨两个版本之间的差异
- diff 主要是以『行』为单位比对
- diff [-bBi] from-file to-file
  - from-file ：一个档名，作为原始比对档案的档名；
  - to-file ：一个档名，作为目的比对档案的档名；
  - -b ：忽略一行当中，仅有多个空白的差异(例如 "about me" 与 "about me" 视为相同
  - -B ：忽略空白行的差异。
  - -i ：忽略大小写的不同。
- 例：利用diff制作差异档
  1. diff -Naur passwd.old passwd.new > passwd.patch
cmp-------------比较两个文档，可以比对binary file
- cmp 则是以『字节』为单位去比对
- cmp [-s] file1 file2
  - -s ：将所有的不同点的字节处都列出来。因为 cmp 预设仅会输出第一个发现的不同点。
patch-----------『将旧的档案升级成为新的档案』
- 『先比较先旧版本的差异，并将差异档制作成为补丁档，再由补丁档更新旧档案』
- patch -pN < patch_file <==更新
- patch -R -pN < patch_file <==还原
  - -p ：后面可以接『取消几层目录』的意思。
  - -R ：代表还原，将新的文件还原成原来旧的版本。

正则表达式特殊符号的意义：

基本正则表达式
特殊符号	代表意义
[:alnum:]	代表英文大小写字符及数字，亦即 0-9, A-Z, a-z【重要】
[:alpha:]	代表任何英文大小写字符，亦即 A-Z, a-z【重要】
[:blank:]	代表空格键与 [Tab] 按键两者
[:cntrl:]	代表键盘上面的控制按键，亦即包括 CR, LF, Tab, Del.. 等等
[:digit:]	代表数字而已，亦即 0-9 【重要】
[:graph:]	除了空格符 (空格键与 [Tab] 按键) 外的其他所有按键
[:lower:]	代表小写字符，亦即 a-z 【重要】
[:print:]	代表任何可以被打印出来的字符
[:punct:]	代表标点符号 (punctuation symbol)，亦即：" ' ? ! ; : # $...
[:upper:]	代表大写字符，亦即 A-Z 【重要】
[:space:]	任何会产生空白的字符，包括空格键, [Tab], CR 等等
[:xdigit:]	代表 16 进位的数字类型，因此包括： 0-9, A-F, a-f 的数字与字符
基础正则表示法字符汇整 (characters)
RE 字符	意义与范例
^word	意义：待搜寻的字符串(word)在行首！范例：搜寻行首为 # 开始的那一行，并列出行号　　　　grep -n '^#' regular_express.txt
word$	意义：待搜寻的字符串(word)在行尾！范例：将行尾为 ! 的那一行打印出来，并列出行号　　　　grep -n '!$' regular_express.txt
.	意义：代表『一定有一个任意字符』的字符！范例：搜寻的字符串可以是 (eve) (eae) (eee) (e e)，但不能仅有 (ee) ！亦即 e 与 e 中间『一定』仅有一个字符，而空格符也是字符！　　　　grep -n 'e.e' regular_express.txt
\	意义：跳脱字符，将特殊符号的特殊意义去除！范例：搜寻含有单引号 ' 的那一行！　　　　grep -n \' regular_express.txt
*	意义：重复零个到无穷多个的前一个 RE 字符范例：找出含有 (es) (ess) (esss) 等等的字符串，注意，因为 * 可以是 0 个，所以 es 也是符合带搜寻字符串。另外，因为 * 为重复『前一个 RE 字符』的符号，因此，在 * 之前必须要紧接着一个 RE 字符喔！例如任意字符则为『.』！　　　　grep -n 'ess' regular_express.txt
[list]	意义：字符集合的 RE 字符，里面列出想要摘取的字符！范例：搜寻含有 (gl) 或 (gd) 的那一行，需要特别留意的是，在 [] 当中『仅代表一个待搜寻的字符』，例如『 a[afl]y 』代表搜寻的字符串可以是 aay, afy, aly即 [afl] 代表 a 或 f 或 l 的意思！　　　　grep -n 'g[ld]' regular_express.txt
[n1-n2]	意义：字符集合的 RE 字符，里面列出想要摘取的字符范围！范例：搜寻含有任意数字的那一行！需特别留意，在字符集合 [] 中的减号 - 是有特殊意义的，他代表两个字符之间的所有连续字符！但这个连续与否与 ASCII 编码有关，因此，你的编码需要讴定正确(在 bash 当中，需要确定 LANG 与 LANGUAGE 的发量是否正确！) 例如所有大写字符则为 [A-Z] 　　　　grep -n '[0-9]' regular_express.txt
[^list]	意义：字符集合的 RE 字符，里面列出不要的字符串或范围！范例：搜寻的字符串可以是 (oog) (ood) 但不能是 (oot) ，那个 ^ 在 [] 内时，代表的意义是『反向选择』的意思。例如，我不要大写字符，则为 [^A-Z]。但是，需要特别注意的是，如果以 grep -n [^A-Z] regular_express.txt来搜寻，即发现该档案内的所有行都被列出，为什么？因为这个 [^A-Z] 是『非大写字符』的意思，因为每一行均有非大写字符，例如第一行的 "Open Source" 就有p,e,n,o.... 等等的小写字　　　　grep -n 'oo[^t]' regular_express.txt
\{n,m\}	意义：连续 n 到 m 个的『前一个 RE 字符』意义：若为 \{n\} 则是连续 n 个的前一个 RE 字符，意义：若是 \{n,\} 则是连续 n 个以上的前一个 RE 字符！范例：在 g 与 g 之间有 2 个到 3 个的 o 存在的字符串，亦即 (goog)(gooog) 　　　　grep -n 'go\{2,3\}g' regular_express.txt
延伸型正则表示法
RE 字符	意义与范例
+	意义：重复『一个或一个以上』的前一个 RE 字符范例：搜寻 (god) (good) (goood)... 等等的字符串。那个o+ 代表『一个以上的 o 』所以，底下的执行成果会将o+ 代表『一个以上的 o 』所以，底下的执行成果会将　　　　egrep -n 'go+d' regular_express.txt
?	意义：『零个或一个』的前一个 RE 字符范例：搜寻 (gd)(god) 这两个字符串。那个 o? 代表『空的或 1 个 o 』所以，上面的执行成果会将第 13, 14 行列出来。有没有发现到，这两个案例( 'go+d' 与 'go?d' )的结果集合与'go*d' 相同？想想看，这是为什么喔！ ^_^ 　　　　egrep -n 'go?d' regular_express.txt
\|	意义：用或( or )的方式找出数个字符串范例：搜寻 gd 或good 这两个字符串，注意，是『或』！所以，第 1,9,14 这三行都可以被打印出来喔！那如果还想要找出 dog 呢？　　　　egrep -n 'gd\|good' regular_express.txt 　　　　egrep -n 'gd\|good\|dog' regular_express.txt
()	意义：找出『群组』字符串范例：搜寻 (glad) 或 (good) 这两个字符串，因为 g 与 d 是重复的，所以，我就可以将 la 与oo 列于 ( ) 当中，并以 \| 来分隔开来，就可以啦！　　　　egrep -n 'g(la\|oo)d' regular_express.txt
()+	意义：多个重复群组的判别范例：将『AxyzxyzxyzxyzC』用 echo 叫出，然后再使用如下的方法搜寻一下！　　　　echo 'AxyzxyzxyzxyzC' \| egrep 'A(xyz)+C' 上面的例子意思是说，我要找开头是 A 结尾是 C ，中间有一个以上的 "xyz" 字符串的意思～

regular_express.txt内容：
"Open Source" is a good mechanism to develop programs.
apple is my favorite food.
Football game is not use feet only.
this dress doesn't fit me.
However, this dress is about $ 3183 dollars.
GNU is free air not free beer.
Her hair is very beauty.
I can't finish the test.
Oh! The soup taste good.
motorcycle is cheap than car.
This window is clear.
the symbol '*' is represented as start.
Oh!	My god!
The gd software is a library for drafting programs.
You are the best is mean you are the no. 1.
The world <Happy> is the same with "glad".
I like dog.
google is the best tools for search keyword.
goooooogle yes!
go! go! Let's go.
# I am VBird

posted @ 2016-08-10 16:11 狂奔__蜗牛阅读(331) 评论(0) 编辑收藏举报

会员力量，点亮园子希望

刷新页面返回顶部

狂奔__蜗牛

简单一点

linux 正则表达式与文件格式化处理

公告