搜索非ascii字符

Question

我有一个文件，a.out，其中包含许多行。 每行只有一个字符，可以是unicode字符U+2013或小写字母az 。

在a.out上执行文件命令会引发结果UTF-8 Unicode文本。

locale命令报告：

LANG=en_US.UTF-8
LC_CTYPE="en_US.UTF-8"
LC_NUMERIC="en_US.UTF-8"
LC_TIME="en_US.UTF-8"
LC_COLLATE="en_US.UTF-8"
LC_MONETARY="en_US.UTF-8"
LC_MESSAGES="en_US.UTF-8"
LC_PAPER="en_US.UTF-8"
LC_NAME="en_US.UTF-8"
LC_ADDRESS="en_US.UTF-8"
LC_TELEPHONE="en_US.UTF-8"
LC_MEASUREMENT="en_US.UTF-8"
LC_IDENTIFICATION="en_US.UTF-8"
LC_ALL=

如果我发出命令grep -P -n "[^\\x00-\\xFF]" a.out我希望只返回包含U+2013的行。 如果我在cygwin下进行测试就是这种情况。 然而，问题环境是Oracle Linux Server 6.5版，问题是grep命令不返回任何行。 如果我发出grep -P -n "[\\x00-\\xFF] ”a.out，则返回所有行。

我意识到“ [grep -P] ......是高度实验性的， grep -P可能会警告未实现的功能。” 但没有发出警告。

我错过了什么吗？

Answer 1

我建议避免使用狡猾的grep -P实现并使用真实的东西。 这有效：

perl -CSD -nle 'print "$.: $_" if /\P{ASCII}/' utfile1 utfile2 utfile3 ...

哪里：

• -CSD选项表示stdio trio（stdin，stdout，stderr）和磁盘文件都应该被视为UTF-8编码。

• $. 代表当前记录（行）编号。

• $_代表当前行。

• \\P{ASCII}匹配任何非 ASCII的代码点。

Answer 2

我如何grep中的注释对于UNIX中的所有非ASCII字符给出了答案：

Grep（和系列）不进行Unicode处理，将多字节字符合并到单个实体中，以便进行正则表达式匹配。

这意味着，UTF-8编码U+2013 （ 0xe2 ， 0x80 ， 0x93 ）不是通过作为grep的给定范围之外的单个打印字符的部分进行处理。

GNU grep手册对-P没有提到Unicode或UTF-8。 相反，它说将模式解释为Perl正则表达式。 （这并不意味着结果与 Perl 相同 ，只是一些反斜杠转义类似 ）。

可以告诉 Perl本身使用UTF-8编码。 但是，在过滤无效的utf8中使用Perl的示例不使用该功能。 相反，表达式（如有问题的grep中的表达式）仅测试单个字节 - 而不是完整字符。

Answer 3

gawk可以帮助你解决这个问题，

这是awk单行：

 awk -v FS="" 'BEGIN{for(i=1;i<128;i++)ord[sprintf("%c",i)]=i}
               {for(i=1;i<=NF;i++)if(!($i in ord))print $i}' file

以下是gawk的测试：

kent$  cat f
abcd
+ß
s+äö
ö--我
中文

kent$  awk -v FS="" 'BEGIN{for(i=1;i<128;i++)ord[sprintf("%c",i)]=i}{for(i=1;i<=NF;i++)if(!($i in ord))print $i}' f
ß
ä
ö
ö
我
中
文