九：Shell 文本处理工具与正则表达式

本文已基本完稿，正在审阅和修订中，不是正式版本。

导言

本章节将介绍一些常用的 shell 文本处理工具，它们可以帮助你更加得心应手地处理大量有规律的文本。

为保持简介，各工具的介绍皆点到即止，进一步的用法请自行查找。

一些铺垫

I/O 重定向和管道

在 六：网络下载工具与 Shell 脚本 中提到过：

Bash 支持 I/O 重定向（>, >>, <）和管道（|）等

下面简单介绍重定向和管道，为后续知识做铺垫

重定向

一般情况下命令从标准输入（stdin）读取输入，并输出到标准输出（stdout），默认情况下两者都是你的终端。使用重定向可以让命令从文件读取输入/输出到文件。下面是以 echo 为例的重定向输出：

$ echo "Hello Linux!" > output_file
$ cat output_file
Hello Linux!
$ echo "rewrite it" > output_file
$ cat output_file
rewrite it
$ echo "append it" >> output_file
$ cat output_file
rewrite it
append it

无论是 > 还是 >>，当输出文件不存在时都会创建该文件

重定向输入使用符号 <：

command < inputfile
command < inpufile > outputfile

小知识

除了 stdin 和 stdout 还有标准错误（stderr），0、1、2分别是他们的编号。stderr 可以用 2> 重定向。注意数字 2 和 > 之前没有空格。

使用 2>&1 可以将 stderr 合并到 stdout。

思考题

wc -l file 和 wc -l < file 输出有什么区别？为什么？

echo < file 会输出什么？

管道

管道（pipe），操作符 |，作用为将符号左边的命令的 stdout 接到之后的命令的 stdin。管道不会处理 stderr。

$ ls / | grep bin
bin
sbin

单双引号

当你需要输入一个含有空白字符的字符串的时候，加上引号可以避免它被切分。

在 bash 中，单引号意为“强引用”，即引号之间的特殊字符会被认为是普通字符，两个单引号之间不能再有单引号，即使使用‘\’进行转义。而双引号意为”弱引用“，'$', '`', '\'， '!' 在双引号之间有特殊含义。参考 Bash Quoting

常用 shell 文字处理工具

diff

diff 工具用于比较两个文件的不同，并列出差异。

$ echo hello > file1
$ echo hallo > file2
$ diff file1 file1
$ diff file1 file2
1c1
< hello
---
> hallo

小知识

加参数 -w 可忽略所有空白字符， -b 可忽略空白字符的数量变化。

假如比较的是两个文本文件，差异之处会被列出；假如比较的是二进制文件，只会指出是否有差异。

head & tail

顾名思义，head 和 tail 分别用来显示开头和结尾指定数量的文字。

以 head 为例的共同用法：

• 不加参数的时候默认显示前 10 行
• -n [NUM] 指定行数，可简化为 -[NUM]
• -c [NUM] 指定字节数
• -n +[NUM] 输出从开头到倒数第 [NUM] 行，tail 可简化为 +[NUM]
• -c +[NUM] 输出从开头到倒数第 [NUM] 字节

head file
head -n 25 file
head -25 file
head -c 20 file

head -10 file
tail -10 file
head -n +10 file
tail +10 file

可以简化记忆为 - 表示想要多少（只要前 10 行 / 后 10 行），+ 表示“不想要”多少（除了最后 10 行 / 最前 10 行都要）。

tail 比 head 多出的用法：

• -f 当文件末尾内容增长时，持续输出末尾增加的内容

tail -f file 常用于动态显示 log 文件的更新

head 和 tail 组合使用：

head -20 file | tail -5
head -20 file | tail +5

sort

sort 用于文本的行排序。默认排序方式是升序，按每行的字典序排序。

一些基本用法：

• -r 变成降序
• -u去除重复行
• -o [file] 指定输出文件
• -n 用于数值排序，否则“15”会排在“2”前

$ echo -e "snake\nfox\nfish\ncat\nfish\ndog" > animals
$ sort animals
cat
dog
fish
fish
fox
snake
$ sort -r animals
snake
fox
fish
fish
dog
cat
$ sort -u animals
cat
dog
fish
fox
snake
$ sort -u animals -o animals
$ cat animals
cat
dog
fish
fox
snake
$ echo -e "1\n2\n15\n3\n4" > numbers
$ sort numbers
1
15
2
3
4
$ sort -n numbers
1
2
3
4
15

小知识

为什么有必要存在 -o 参数？试试重定向输出到原文件。

uniq

uniq 也可以用来排除重复的行，但是仅对连续的重复行生效。

通常会和 sort 一起使用：

sort animals | uniq 

只是去重排序明明可以用 sort -u ，uniq 工具是否多余了呢？实际上 uniq 还有其他用途。

uniq -d 可以用于仅输出重复行：

sort animals | uniq -d

uniq -c 可以用于统计各行重复次数：

sort animals | uniq -c

正则表达式

正则表达式（regular expression）描述了一种字符串匹配的模式，可以用来检查一个串是否含有某种子串、将匹配的子串做替换或者从某个串中取出符合某个条件的子串等。

此处仅简单介绍正则表达式的一些用法，对正则表达式有更多兴趣，请移步补充内容。

特殊字符

特殊字符	描述
[]	方括号表达式，表示匹配的字符集合，例如[0-9],[abcde]
()	标记子表达式起止位置
*	匹配前面的子表达式零或多次
+	匹配前面的子表达式一或多次
?	匹配前面的子表达式零或一次
\	转义字符，除了常用转义外，还有："\b"匹配单词边界"；\B"匹配非单词边界等
.	匹配除“\n"外的任意单个字符
{}	标记限定符表达式的起止。例如{n}表示匹配前一子表达式n次；{n,}匹配至少n次；{n,m}匹配n至m次
|	表明前后两项二选一
$	匹配字符串的结尾
^	匹配字符串的开头，在方括号表达式中表示不接受该方括号表达式中的字符集合

以上特殊字符，若是想要匹配特殊字符本身，需要在之前加上转义字符“\”

简单示例

匹配正整数：

[1-9][0-9]*

匹配仅由 26 个英文字母组成的字符串：

^[A-Za-z]+$

匹配 Chapter 1-99 或 Section 1-99

^(Chapter|Section) [1-9][0-9]{0,1}$

匹配“ter”结尾的单词：

ter\b

基本/扩展正则表达式

基本正则表达式（Basic Regular Expressions）和扩展正则表达式（Extended Regular Expressions）是两种 POSIX 正则表达式风格。

BRE 可能是如今最老的正则风格了，对于部分特殊字符（如 +, ?, |, {）需要加上转义符 \ 才能表达其特殊含义。

ERE 与如今的现代正则风格较为一致，相比 BRE，上述特殊字符默认发挥特殊作用，加上 \ 之后表达普通含义。

具体的例子在下文介绍工具时可以看到。

思考题

什么是 DFA/NFA 正则表达式引擎？如今常见编程语言里的正则表达式实现和此处的 BRE/ERE 有什么异同？

常用 Shell 文字处理工具（正则）

grep

grep 全称 Global Regular Expression Print，是一个强大的文本搜索工具，可以在一个或多个文件中搜索指定 pattern 并显示相关行。

grep 默认使用 BRE，要使用 ERE 可以 grep -E 或 egrep。

命令格式：grep [option] pattern file

一些用法：

• -n 显示匹配到内容的行号
• -v 显示不被匹配到的行
• -i 忽略字符大小写

ls /bin | grep -n "^man$"
ls /bin | grep -v "[a-z]\|[0-9]"
ls /bin | grep -iv "[A-Z]\|[0-9]"

sed

sed 全称 Stream EDitor，即流编辑器，可以方便地对文件的内容进行逐行处理。

sed 默认使用 BRE，要使用 ERE 可以 sed -E。

命令格式：

sed [options] 'command' file(s)
sed [options] -f scriptfile file(s)

此处的“commond”和“scriptfile”中的命令均指的是 sed 命令。

常见 sed 命令：

• s 替换
• d 删除
• c 选定行改成新文本
• a 当前行下插入文本
• i 当前行上插入文本

echo -e "seD\nIS\ngOod" > sed_demo
sed "2d" sed_demo
sed "2d" sed_demo
sed "s/[a-z]/~/g" sed_demo
sed "3cpErfeCt" sed_demo

awk

awk 是一种用于处理文本的编程语言工具，名字来源于三个作者的首字母。相比 sed，awk 可以在逐行处理的基础上，针对列进行处理。默认的列分隔符号是空格，其他分隔符可以自行指定。

awk 使用 ERE。

命令格式：awk [options] 'pattern {action}' [file]

awk 逐行处理文本，对符合的 patthern 执行 action。需要注意的是，awk 使用单引号时可以直接用 $，使用双引号则要用 \$。

一些示例：

$ cat awk_demo
Beth    4.00    0
Dan     3.75    0
kathy   4.00    10
Mark    5.00    20
Mary    5.50    22
Susie   4.25    18
$ awk '$3 >0 { print $1, $2 * $3 }' awk_demo
kathy 40
Mark 100
Mary 121
Susie 76.5

示例中 $1，$2，$3 分别指代本行的第 1，2，3，列。特别地，$0 指代本行。

思考题

如何使用 sed 对示例中文本的第二列数值求和？