正規表示式要點總結

./home/

./...yes../

./new/

./100/

./中國/

./2015/

./2014-12-31/

[root@CentOS6 shell]# grep -E '^./([^/]+)/$' dir.txt      #加行首行尾錨定符^和$

./home/

./...yes../

./new/

./100/

./中國/

./2015/

./2014-12-31/

[root@CentOS6 shell]# cat dir.txt

//

.//

./home/

./...yes../

.//~/

./new/

./100/

./中國/

./2015/

./2014-12-31/

/hometown/

yesterday

@China

.///

.////

.//~/~/

abcd//~/

..//../

用點號.匹配任意字元：

元字元.（也稱點號dot、小點point）是用來匹配任意字元的字元組的簡便寫法。

如果需要在表示式中使用一個“匹配任意字元”的佔位符（placeholder），用點號.就很方便。

例如：

要搜尋03/19/76、03-19-76、03-19-76，表示式可以寫成字元組形式：03[-./]19[-./]76

也可以使用點號.替代字元組：03.19.76

相對而言，03[-./]19[-./]76更精確，03.19.76裡的點號.匹配到還可能是其他字元。具體用哪個取決於目標文字的情況。

字元組內的點號.不是元字元，僅代表普通的點字元；

在字元組內的連字元-，是否表示範圍要看其所在位置，在開頭或結尾都不是表示範圍，在中間（且不是在[^後面）的才是。例如：[.-/]中-是表示範圍，但[^-/.]、[./-]裡的-都不是表示範圍。

管道|多選結構：匹配任意子表示式

|也是一個元字元，意為或（or），透過它可以把不同的子表示式組合成一個總的表示式，在這樣的組合中，子表示式稱為“多選分支（alternative）”。

如：gr[ea]y    可以採用|寫成grey|gray，或者gr(a|e)y。

注意不要寫成gr[a|e]y，這裡面的|只是普通的字元，因為在字元組內部。

多選結構可以包括很多字元，但不能超越括號的界限。

一個字元組只能匹配目標文字中的單個字元，而每個多選結構自身都可能是完整的正規表示式，都可以匹配任意長度的文字。

(first|1st)與（fir|1）st                     同一意思

(First|1st) [Ss]treet與(Fir|1)st [Ss]treet        同一意思

在一個包含多選結構的表示式中使用脫字元^和美元符$的時候要小心。

分析：

^From|Subject|Date:      匹配^From或Subject或Date:

^(From|Subject|Date):     匹配^From:或^Subjec:或^Date:     常用於提取E-mail檔案中的資訊

兩者的匹配結果是不一樣的。

如果希望在每個多選分支之前都有脫字元^，之後都有:，需要使用括號來限制（constrain）這些多選分支。

典型用法：

grep -E 'From:|Subject:' test.txt

grep -E '^(From|Subject|Date):' test.txt   //單引號、雙引號都可以，擴充套件正則

egrep '^(From|Subject|Date):' test.txt

元字元序列\<和\> 單詞分界符：

使用正規表示式時經常會遇到一個問題，就是期望匹配的“單詞”包含在另一個單詞之中。

單詞分界符\<和\>用於匹配單詞開頭和結束的位置。注意：<和>本身並不是元字元，只有當它們與斜線\結合起來的時候，整個序列才有特殊意義（稱為元字元序列）。不是所有的egrep版本都支援單詞分界符。

分析：

\<cat\>意為匹配單詞的開頭位置，然後是c a t這3個字母，之後是單詞的結束位置，簡單的說就是匹配cat這個單詞。

也可以用\<cat和cat\>來分別匹配以單詞（或者說字母組合）cat開頭和結束的單詞。

egrep（相當於grep -E）認定的單詞開頭位置用向上的箭頭標識，單詞結束位置用向下的箭頭標識。

“單詞的開始和結束”準確地說是“字母數字字元號的開始和結束”。

optional items可選項元素

問號?  代表可選項，表示任意單個字元，把它加在一個字元的後面，就表示此處容許出現這個字元，不過它的出現並非匹配成功的必要條件。哪個字元可選，?就放在哪個字元後面。需要使用egrep或grep -E。

color、colour        可以透過colou?r來匹配

July、Jul            可以透過July?或(July|Jul)來匹配

fourth|4th|4        可以透過fourth|4(th)?來匹配   巢狀了括號，問號?作用的物件是整個括號內的內容。

括號及反向引用

括號的用途：

1、限制多選項的範圍

2、將若干字元組合為一個單元，受問號?或星號*之類量詞的作用，如four(th)?、(a)*

3、反向引用backreference    容許匹配與表示式先前部分匹配的同樣的文字

例如：\<([A-Za-z]+).+\1\>      這裡的括號()和\1用於支援反向引用

在支援反向引用的工具軟體中，括號()能夠“記憶”其中的子表示式匹配的文字，不論這些文字是什麼，元字元序列\1都能記住它們。而且，在一個表示式中可以使用多個括號，在用\1、\2、\3等來表示第一、第二、第三組括號匹配的文字。括號是按照開括號“(”從左至右的出現順序進行的。

例如：([a-z])([0-9])\1\2中的\1代表[a-z]匹配的內容，\2代表[0-9]匹配的內容。

轉義

.本身是元字元，它可以匹配任何字元，包括空格。

真正匹配文字中點號.的元序列應該是反斜線（backslash）加上點號的組合：

aga\.att\.com

\.稱為“轉義的點號”或“轉義的句號”，這種方法適用於所有的元字元，但在字元組內部無效。

這樣使用的反斜線成為“轉義符（escape）”——它作用的元字元會失去特殊含義，成為普通字元。

還可以用\([a-zA-Z]+\)來匹配一個括號內的單詞，例如(very)，在開閉括號之前的反斜線消除了開閉括號的特殊意義，於是能夠匹配文字中的開閉括號。

許多程式設計語言都有識別符號（identifier，例如變數名）的概念。

識別符號只包含字母、數字以及下劃線，但不能以數字開頭。

可以用[a-zA-Z_][a-zA-Z_0-9]*來匹配識別符號：

第一個字元組匹配可能出現的第一個字元；

第二個（包括對應的*）匹配餘下的字元。

引號內的字串：

匹配引號內的字串，最簡單的方法是使用表示式：”[^”]*”

兩端的引號用來匹配字串開頭和結尾的引號。

在這兩個引號之間的文字可以包括雙引號之外的任何字元。

這裡用[^”]來匹配除雙引號”之外的任何字元，用*來表示兩個引號之間可以存在任意數目的非雙引號字元。

美元金額（可能包含小數）：

\$[0-9]+(\.[0-9][0-9])?是一種匹配美元金額的辦法。

三個部分：\$、…+、(…)?

分別匹配一個美元符號、小數點前的數字（一個或一組數字）、小數點及其之後的數字（一個小數點和兩位數字），可以匹配$100.1之類的美元金額，但不能匹配$1,100這樣的金額，小數部分是可選的。

如果要匹配的是隻包含價格而不含其他字元的行，可以在此表示式兩端加上^…$，即：

^\$[0-9]+(\.[0-9][0-9])?$       開頭為美元符$，結尾為數字，且必須包含小數點，匹配結果與前者不同

這個表示式不能匹配$.49。

因為：

^    脫字元，一行的起始，匹配的是行開始的位置

$    美元符，一行的結束，匹配的是行結尾的位置

網址（Web URL）的形式可能有很多種，所以構造一個能夠匹配所以形式的URL的正規表示式很有難度。

但如果只要求匹配大多數常見的URL，則相對比較簡單。

常見的HTTP/HTML URL樣式如下：

（或htm）

主機名（hostname）（如）的規則比較複雜，但因為主機名一般跟在http://之後，可以寫成：

[-a-z0-9_.]+   （可能應該是[-a-z0-9_.:]+）

path部分的變換更多，需要寫成：

[-a-z0-9_:@&?=+,.!/~*%$]*

注意：用作普通字元的連字元-必須放在字元組的開頭，用在字元組中間的是表示範圍的元字元。

綜合起來就是：

egrep -i ‘\<http://[-a-z0-9_.:]+/[-a-z0-9_:@&?=+,.!/~*%$]*\.html?\>' files

更簡化的版本：

egrep -i ‘\<http://[^ ]*\.html?\>' files

可能匹配出一些錯誤結果，根據具體需求調整表示式即可。