搜索非ascii字符

Question

我有一個文件，a.out，其中包含許多行。 每行只有一個字符，可以是unicode字符U+2013或小寫字母az 。

在a.out上執行文件命令會引發結果UTF-8 Unicode文本。

locale命令報告：

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=

如果我發出命令grep -P -n "[^\\x00-\\xFF]" a.out我希望只返回包含U+2013的行。 如果我在cygwin下進行測試就是這種情況。 然而，問題環境是Oracle Linux Server 6.5版，問題是grep命令不返回任何行。 如果我發出grep -P -n "[\\x00-\\xFF] ”a.out，則返回所有行。

我意識到“ [grep -P] ......是高度實驗性的， grep -P可能會警告未實現的功能。” 但沒有發出警告。

我錯過了什么嗎？

Answer 1

我建議避免使用狡猾的grep -P實現並使用真實的東西。 這有效：

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

哪里：

• -CSD選項表示stdio trio（stdin，stdout，stderr）和磁盤文件都應該被視為UTF-8編碼。

• $. 代表當前記錄（行）編號。

• $_代表當前行。

• \\P{ASCII}匹配任何非 ASCII的代碼點。

Answer 2

我如何grep中的注釋對於UNIX中的所有非ASCII字符給出了答案：

Grep（和系列）不進行Unicode處理，將多字節字符合並到單個實體中，以便進行正則表達式匹配。

這意味着，UTF-8編碼U+2013 （ 0xe2 ， 0x80 ， 0x93 ）不是通過作為grep的給定范圍之外的單個打印字符的部分進行處理。

GNU grep手冊對-P沒有提到Unicode或UTF-8。 相反，它說將模式解釋為Perl正則表達式。 （這並不意味着結果與 Perl 相同 ，只是一些反斜杠轉義類似 ）。

可以告訴 Perl本身使用UTF-8編碼。 但是，在過濾無效的utf8中使用Perl的示例不使用該功能。 相反，表達式（如有問題的grep中的表達式）僅測試單個字節 - 而不是完整字符。

Answer 3

gawk可以幫助你解決這個問題，

這是awk單行：

 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的測試：

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