grep正则表达式规范 在sed、awk及C语言中用正则表达式

1 正则表达式介绍

用一个命令查找一个模式得到一类字符串时，这个模式应该包含以下信息：

• 字符类：它们在模式中表示一个字符，取值范围是一类字符中的任意一个。
• 数量限定符：如IP地址的每一部分可以有1 –3个数字。
• 各种字符类以及普通字符之间的位置关系：如IP地址分四部分，用普通字符’.’隔开，每部分都可以用字符类和数量限定符描述。

规定一些特殊语法表示字符类、数量限定符和位置关系，然后用这些特殊语法和普通字符一起表示一个模式，这就是正则表达式（Regular Expression）。

2 grep正则表达式的Extended规范

各种工具和编程语言所使用的正则表达式规范的语法并不相同，表达能力也各不相同，有的正则表达式规范引入很多扩展，能表达更复杂的模式，但各种正则表达式规范的基本概念都是相通的。grep所使用的正则表达式，它大致上符合POSIX正则表达式规范，此笔记学习、练习grep使用的正则表达式。

(1) 字符类

字符	含义	举例
.	匹配任意一个字符	abc.可以匹配abcd、abc9等
[]	匹配括号中的任意一个字符	[abc]d可以匹配ad、bd或cd
-	在[]括号内表示字符范围	[0-9a-fA-F]可以匹配一位十六进制数字
^	位于[]括号内的开头，匹配除括号中的字符之外的任意一个字符	[^xy]匹配除xy之外的任一字符，因此[^xy]1可以匹配 a1、b1但不匹配x1、y1
[[:xxx:]]	grep工具预定义的一些命名字符类	[[:alpha:]]匹配一个字母， [[:digit:]]匹配一个数字

(2) 数量限定符

字符	含义	举例
？	紧跟在它前面的单元应匹配零次或一次	[0-9]?\.[0-9]匹配0.0、2.3、.5等，由于.在正则表达式中是一个特殊字符，所以需要用\转义一下，取字面值
+	紧跟在它前面的单元应匹配一次或多次	[a-zA-Z0-9_.-]+@[a-zA-Z0-9_.-]+\.[a-zA-Z0-9_.-]+匹配email地址
*	紧跟在它前面的单元应匹配零次或多次	[0-9][0-9]*匹配至少一位数字，等价于[0-9]+，[a-zA-Z_]+[a-zA-Z_0-9]*匹配C语言的标识符
{N}	紧跟在它前面的单元应精确匹配N次	[1-9][0-9]{2}匹配从100到999的整数
{N,}	紧跟在它前面的单元应匹配至少N次	[1-9][0-9]{2,}匹配三位以上（含三位）的整数
{,M}	紧跟在它前面的单元应匹配最多M次	[0-9]{,1}相当于[0-9]?
{N,M}	应匹配至少N次，最多M次	[0-9]{1,3}\.[0-9]{1,3}匹配IP地址

(3) 位置限定符

字符	含义	举例
^	匹配行首的位置	^Content匹配位于一行开头的Content
$	匹配行末的位置	;$匹配位于一行结尾的;号，^$匹配空行
\<	匹配单词开头的位置	\<th匹配... this，但不匹配ethernet、tenth
\>	匹配单词结尾的位置	p\>匹配leap ...，但不匹配parent、sleepy
\b	匹配单词开头或结尾的位置	\bat\b匹配... at ...，但不匹配cat、atexit、batch
\B	匹配非单词开头和结尾的位置	\Bat\B匹配battery，但不匹配... attend、hat...

(4) 其它特殊字符

字符	含义	举例
\	转义字符，普通字符转义为特殊字符，特殊字符转义为普通字符	普通字符<写成\<表示单词开头的位置，特殊字符.写成\.以及\写成\\就当作普通字符来匹配
()	将正则表达式的一部分括起来组成一个单元，可以对整个单元使用数量限定符	([0-9]{1,3}\.){3}[0-9]{1,3}匹配IP地址
|	连接两个子表达式，表示或的关系	n(o|either)匹配no或neither

Basic规范也有这些语法，只是字符?+{}|()应解释为普通字符，要表示上述特殊含义则需要加\转义。如果用grep而不是egrep，并且不加-E参数，则应该遵照Basic规范来写正则表达式。

3 sed与正则表达式

(1) sed简介

sed意为流编辑器（Stream Editor），在Shell脚本和Makefile中作为过滤器使用非常普遍，也就是把前一个程序的输出引入sed的输入，经过一系列编辑命令转换为另一种格式输出。

sed命令不会修改原文件，只是经过sed命令后输出需要部分。

(2) sed涉及的正则表达式及编辑命令

sed处理的文件既可以由标准输入重定向得到，也可以当命令行参数传入，命令行参数可以一次传入多个文件，sed会依次处理。sed的编辑命令可以直接当命令行参数传入，也可以写成一个脚本文件然后用-f参数指定，编辑命令的格式为：

/pattern/action

其中pattern是正则表达式，action是编辑命令。sed一行一行读出待处理文件，如果某一行与pattern匹配，则执行相应的action，如果一条命令没有pattern而只有action，这个action将作用于待处理文件的每一行。

sed常用编辑操作：

/pattern/p	打印匹配pattern的行
/pattern/d	删除匹配pattern的行
/pattern/s/pattern1/pattern2/	查找符合pattern的行，将该行第一个匹配pattern1的字符串替换为pattern2
/pattern/s/pattern1/pattern2/g	查找符合pattern的行，将该行所有匹配 pattern1的字符串替换为pattern2

(3) sed命令行格式

根据(2)中对sed处理的文件和编辑命令的描述可得sed命令行的基本格式为：

sed option 'script' file1 file2 ... sed option –f scriptfile file1 file2 …

• option表示sed的可选参数，如要想只输出处理结果则option为-n。
• ‘script’表示脚本命令[ (2)中提到的编辑命令 ]。
• filen表示要用sed处理的文件。
• -f属option范畴，它允许将脚本命令编写成脚本文件再传给sed。

4 awk

(1) awk介绍

sed以行为单位处理文件，awk比sed强的地方在于不仅能以行为单位还能以列为单位处理文件。awk缺省的行分隔符是换行，缺省的列分隔符是连续的空格和Tab，但是行分隔符和列分隔符都可以自定义，比如/etc/passwd文件的每一行有若干个字段，字段之间以:分隔，就可以重新定义awk的列分隔符为:并以列为单位处理这个文件。

(2) awk命令行格式

awk基本用法和sed类似，awk命令行的基本形式为：

awk option 'script' file1 file2 .. awk option -f scriptfile file1 file2 ...

和sed一样，awk处理的文件既可以由标准输入重定向得到，也可以当命令行参数传入，编辑命令可以直接当命令行参数传入，也可以用-f参数指定一个脚本文件，编辑命令的格式为：

/pattern/{actions} condition{actions}

pattern是正则表达式，actions是一系列操作（编辑命令），awk程序一行一行读出待处理文件，如果某一行与pattern匹配，或者满足condition条件，则执行相应的actions，如果一条awk命令只有actions部分，则actions作用于待处理文件的每一行。

awk命令的condition部分还可以是两个特殊的condition－BEGIN和END，对于每个待处理文件，BEGIN后面的actions在处理整个文件之前执行一次，END后面的actions在整个文件处理完之后执行一次。

(3) awk内建变量

awk命令可以像C语言一样使用变量（但不需要定义变量）。就像Shell的环境变量一样，有些awk变量是预定义的有特殊含义的：

FILENAME	当前输入文件的文件名，该变量是只读的
NR	当前行的行号，该变量是只读的，R代表record
NF	当前行所拥有的列数，该变量是只读的，F代表field
OFS	输出格式的列分隔符，缺省是空格
FS	输入文件的列分融符，缺省是连续的空格和Tab
ORS	输出格式的行分隔符，缺省是换行符
RS	输入文件的行分隔符，缺省是换行符

awk还可以像C语言一样使用if/else、while、for控制结构。以前未“系统”掌握awk命令格式时做的笔记（例子）：shell awk读取文件中的指定行的指定字段。

5 在C语言中使用的正则表达式

POSIX规定了正则表达式的C语言库函数：regex(3)。man regex。

用正则表达式匹配字符串是否为IP地址的C代码：

/*Filename:	regex_in_c.c
 *Brife:	use c function to use regex
 *Author:	One fish
 *Date:		2014.8.12 Tuesday
 */
#include <sys/types.h>
#include <regex.h>
#include <stdio.h>
#include <stdlib.h>


int main(void)
{
	regex_t		reg;
	char		regex[] = "[0-9]{1,3}\\.[0-9]{1,3}";
	char		str[] = "172.168.13.1";
	size_t		nmatch = 1;
	regmatch_t	pmatch[1];
	char		errbuf[100];
	int		i,re;

	//Compile regex to reg	
	re	= regcomp(&reg,regex,REG_EXTENDED | REG_NEWLINE);
	if ( 0 != re ) {
		regerror(re,&reg,errbuf,100);
		printf("%s\n",errbuf);
		exit(1);
	}

	//Use reg which compiled from pattern to match substring in whole string str
	re	= regexec(&reg,str,nmatch,pmatch,0);
	if (REG_NOMATCH == re) {
		printf("No match\n");
		exit(1);
	} else if (0 == re) {
		printf("matched:\n");
		for (i = pmatch[0].rm_so; i < pmatch[0].rm_eo; ++i) {
			putchar(str[i]);
		}
		printf("\n");
		printf("%d,%d\n",pmatch[0].rm_so,pmatch[0].rm_eo);
	}

	//Free &reg used in recomp
	regfree(&reg);
	return 0;
}

编译并执行程序：

gcc -o regex_in_c regex_in_c.c ./regex_in_c matched: 172.168.13.1 0,12

当在regcomp函数中的cflags参数中指定REG_NOSUB时nmatch和pmatch参数将会被忽略，不能再将它们的值输出来。

[2014.8.11-21.02 ---- 2014.8.12-16.29]

LCNote Over.