使用正则表达式提取字符串的命令行工具

Question

对于三个受污染的RE的每一个完全任意的集合，即“ re1 （ re2 ） re3 ”，我想要一个工具（或单线 ）输出与re2匹配的所有内容。 （ \\1 ）

我正在寻找一种通用的命令行工具，该工具将使用任意正则表达式（如grep -o提取信息，但要具有上下文意识，如expr match 。 我希望在grep -o使用的功能是在文件上进行迭代，并且仅打印匹配项， 但我不想打印出上下文。 我想要在expr match中使用的功能是能够从上下文中提取内容（即，提取子表达式）。 基本上，我想匹配每个子表达式并仅将其打印出来。

注意：以下仅是一个简单示例。 我的问题是一个笼统的问题，涉及从引用材料到提取XML标签的所有问题，您可以为其编写正则表达式的任何问题。 ERE很好，PCRE更好。

例如，假设我要打印出括号内的一行中的所有内容，但不想打印括号。 如果我执行grep -Eo '([^()]*?)'我会得到所有匹配项，但是它们周围都有括号：

输入：

$ grep -Eo '\([^()]*?\)' 
foo (bar) baz (bat)

输出：

(bar)
(bat)

正确：两个孤立的项目。 错误的：他们有括号。

或者我可以使用expr match ：

$ expr match 'foo (bar) baz (bat)' '.*(\([^()]*\)).*'

这给了我：

bat

正确地删除了括号，但是错过了第一次出现。

我想过在sed该怎么做； 一个人可以使用替换，但是sed像expr match这样吃掉第一个出现的东西：

$ echo 'foo (bar) baz (bat)' | sed 's/.*(\([^()]*\)).*/\1/g'
bat

此外，我不认为sed旨在从一行输入生成两行或更多行输出（就像grep -o一样）； 它更像是逐行工具。 如果sed可以选择将\\ n子表达式匹配项放入模式空间或保持有效的空间。

我认为这可能在gawk可行，但似乎并不简单。 像sed一样， gawk可以进行替换； 像grep一样，它可以匹配子字符串； 像expr match ，它在一行中有多个引用存在麻烦（尽管与expr match不同，它有很多解决方法）。

它可能可以在Perl中完成，但是会涉及某种复杂的循环。

通过查看许多相关的SO问题，许多解决方案针对特定问题的特定特征做出了答复，但是我想要一个通用的解决方案。

Answer 1

如果您有gnu grep，则可以使用先行提示一步完成此操作：

s='foo (bar) baz (bat)'

grep -Po '(?<=\()[^()]*(?=\))' <<< "$s"
bar
bat

或使用gnu awk：

awk -v FPAT='\\([^()]*\\)' '{for (i=1; i<=NF; i++) {gsub(/[()]/, "", $i); print $i}}' <<< "$s"
bar
bat

或使用sed：

sed -E 's/[^()]*\(([^()]*)\)/\1:/g' <<< "$s"
bar:bat:

Answer 2

受sendmail *的启发，我认为也许只有两步的过程可能会起作用，而只有一步却没有。 解决方案很简单； 使用grep -o打印出匹配项，并使用sed删除不需要的上下文：

$ re='\(([^()]*)\)'; echo 'foo (bar) baz (bat)' | grep -Eo "$re" | sed -r "s/$re/\1/1"
bar
bat

$ re="<([^<>]*)>"; echo "I <strong>really</strong> want <A href="http://foo.com">this</A>" | grep -Eo "$re" | sed -r "s/$re/\1/1"
strong
/strong
A href=http://foo.com
/A

$ re="<[^<>]*>([^<]*)<[^<>]*>"; echo "I <strong>really</strong> want <A href="http://foo.com">this</A>" | grep -Eo "$re" | sed -r "s/$re/\1/1"  
really
this

$ re="'([^']*)'"; echo "His name was 'John', her name was 'Jane'" | grep -Eo "$re" | sed -r "s/$re/\1/1"
John
Jane

您只需要在正则表达式中转义任何斜线或执行某些操作来解决sed分隔符问题。

* sendmail ，或者不如说是来与宏sendmail ，有这种非同寻常的技术（所谓的“重点”）的内部清理的电子邮件地址，并临时增加多余的语法，使他们更容易处理。