【译】 AWK教程指南 附录E-正则表达式

• 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)查找 "T0.c", "T1.c", "T2.c".... "T9.c" 当中的任一字串。

　　　　(二)查找至少存在一个 "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，一一把所要查找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)。

• 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"。

注：awk 程序中常以 /..../ 括住 Regexp，以区別于一般字串。

• 组成正则表达式的元素

　　普通字符：除了 . * [ ] + ? ( ) \  ^ $ 外的所有字符。

　　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(通配符)，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 "The"出现于行首 的字串 。

　　Regexp /The$/ 用以表示所有 "The"出现于行末 的字串。

\　　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，表示任一字符。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 [...] 内不可随意留空白。

例如：

　　Regexp /[ Tt ]/ 其中括号内有空白字符，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。

例如：

　　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，后者表示两个字符。

　　Regexp /[-9]/ 或 /[9-]/ 只代表字符 "9"或 "-"。

[^...]　　使用[^..] 产生字符集合[..]的补集(complement set)。

例如：

　　要指定 "T" 或 "t" 之外的任一个字符，可用 /[^Tt]/ 表示。

　　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。"*" 形容它前方的字符可以不出现，也可以出现 1 次或多次。

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"

• 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/。

• 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  表示一字串，B 表示一 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/  的值为 true。

注一：有些论著不把这两个运算符( ~, !~)与 Relational Operators 归为一类。

• 应用 Regular Expression 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 的值，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")
　　　　　　print
　　　　}
　　　　‘ $*

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 表示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 : &" )
　　　　　　print
　　　　}
　　　　‘ $*

例4：

　　从文件的 Fullname 中分离出 路径 与 文件名

　　　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
　　　　}
　　　　‘ $*

结果打印：

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

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)
　　　　　　}
　　　　　　print
　　　　}
　　　　‘ $*