Shell编程之正则表达式与文本处理工具

一、正则表达式基础

1. 正则表达式概述

定义：正则表达式（Regular Expression，简称Regex）是由普通字符（如字母、数字、标点符号）与元字符（具有特殊含义的专用字符）组成的字符串匹配规则，用于判断某字符串是否符合特定格式要求。

核心作用：在Shell脚本中，通过文本处理工具（如grep、sed、awk）结合正则表达式，可以快速筛选、提取或修改目标文本内容，是自动化运维、日志分析、数据清洗等场景的基础技能。

类比理解：正则表达式类似于“文本搜索的精准模板”——普通字符按字面意义匹配，元字符则定义了匹配的“规则模式”（如“任意字符”“重复次数”“开头/结尾位置”等）。

2. 正则表达式分类

根据POSIX（可移植操作系统接口）标准，正则表达式分为两大类，主要区别在于元字符的语法格式（是否需要转义）及支持的工具：

类型	支持工具	核心区别	典型使用场景
基本正则表达式（BRE，Basic Regular Expression）	`grep`（默认）、`sed`（默认）、`awk`（部分支持）	元字符（如`\{n\}`、`\{n,\}`）需通过反斜杠``转义，语法相对严格。	简单文本过滤（如查找固定模式的行）。
扩展正则表达式（ERE，Extended Regular Expression）	`egrep`（或`grep -E`）、`awk`（默认支持大部分ERE）、`sed`（配合`-r`选项）	元字符（如`{n}`、`{n,}`）无需转义，语法更简洁直观。	复杂模式匹配（如分组、逻辑“或”操作）。

关键区别示例：
匹配连续2个o：
BRE（需转义）：go\{2\}d（如grep "go\{2\}d" file）
ERE（无需转义）：go{2}d（如egrep "go{2}d" file或 grep -E "go{2}d" file）

工具默认行为：

grep：默认使用BRE，若需使用ERE需加-E参数（或直接使用egrep）。
sed：默认使用BRE，若需使用ERE需加-r参数（部分新版本支持-E）。
awk：默认支持大部分ERE语法（如+、?、|无需转义）。

二、正则表达式核心元字符详解

1. 通用元字符（BRE与ERE均适用）

这些元字符在基本正则和扩展正则中功能一致，但部分在BRE中需要转义。

元字符	含义	用法示例	匹配示例
`^`	匹配字符串的开头位置	`^a`：匹配以字母`a`开头的行（如`apple`）。 `^#`：匹配以`#`开头的行（如注释行）。	`^gd`：匹配以`gd`开头的行。
`$`	匹配字符串的结尾位置	`d$`：匹配以字母`d`结尾的行（如`god`）。 `^$`：匹配空行（行首直接接行尾）。	`word$`：匹配以`word`结尾的行。
`.`	匹配除换行符
之外的任意单个字符	`go.d`：匹配`g`、`o`、任意1字符、`d`（如`god`、`goXd`、`go1d`）。	`g..d`：匹配`g`后跟任意2字符再跟`d`（如`good`、`g9#d`）。
`*`	匹配前一个字符的0次或多次重复	`goo*d`：匹配`g`后跟0个或多个`o`，最后是`d`（如`gd`、`god`、`gooood`）。	`go.*d`：匹配`g`后跟任意字符（包括无）0次或多次，最后是`d`。
``	转义字符，用于取消特殊字符的元字符含义（如让`.`匹配真正的点号）。	`\.`：匹配文本中的实际点号（如`example.com`中的`.`）。 `\$`：匹配文本中的`$`符号。	`n\.`：匹配`n.`（如`n.1`）。

注意：在BRE（如默认grep/sed）中，元字符如{、}、+、?、|需通过\`转义才具有特殊含义；而在ERE（如egrep/grep -E/awk`）中，这些元字符通常无需转义。

2. 字符集合匹配（指定字符范围内的选择）

用于匹配一组字符中的任意一个，或排除某些字符。

元字符	含义	用法示例	匹配示例
`[list]`	匹配方括号内列出的任意一个字符（字符列表）。	`go[ola]d`：匹配`g`+任意一个`o`/`l`/`a`+`d`（如`god`、`gol d`、`goa d`）。 `[a-z]`：匹配任意小写字母。 `[0-9]`：匹配任意数字（0-9）。	`[abc]`：匹配`a`、`b`或`c`。 `[A-Z0-9]`：匹配任意大写字母或数字。
`[^list]`	匹配不在方括号内的任意一个字符（取反集合）。	`[^0-9]`：匹配非数字字符（如字母、符号）。 `[^a-z]`：匹配非小写字母。	`[^A-Z]`：匹配非大写字母的任意字符。

示例：
[0-9]{3}：匹配连续3个数字（如123）。
[^ ]：匹配非空格的任意字符（如字母、符号）。

3. 次数匹配（控制前一个字符的重复次数）

用于精确控制某个字符或字符集合的重复次数范围。

元字符	含义	用法示例	匹配示例
`\{n\}`	匹配前一个字符恰好n次（BRE需转义，ERE可直接用`{n}`）。	`go\{2\}d`（BRE）或`go{2}d`（ERE）：匹配`g`后跟2个`o`，最后是`d`（如`gooood`）。	`a\{3\}`（BRE）：匹配`aaa`。
`\{n,\}`	匹配前一个字符至少n次（BRE需转义，ERE可直接用`{n,}`）。	`go\{2,\}d`（BRE）或`go{2,}d`（ERE）：匹配`g`后跟至少2个`o`，最后是`d`（如`good`、`gooood`）。	`[0-9]\{3,\}`：匹配至少3位数字。
`\{n,m\}`	匹配前一个字符n到m次（BRE需转义，ERE可直接用`{n,m}`）。	`go\{2,3\}d`（BRE）或`go{2,3}d`（ERE）：匹配`g`后跟2-3个`o`，最后是`d`（如`good`、`gooood`）。	`[a-z]\{2,4\}`：匹配2-4个小写字母。

关键区别：
在BRE（如默认grep/sed）中，{和}是普通字符，需转义为\{和\}才能表示次数匹配。
在ERE（如egrep/grep -E/awk）中，直接使用{n}、{n,}等无需转义。

示例对比：

BRE命令：grep "go\{2\}d" file（匹配gooood）。
ERE命令：egrep "go{2}d" file或 grep -E "go{2}d" file（效果相同，无需转义）。

4. 扩展正则表达式特有元字符（仅ERE支持）

扩展正则表达式在BRE基础上增加了更灵活的操作符，简化了复杂模式的编写。

元字符	含义	用法示例	匹配示例
`+`	匹配前一个字符1次或多次（至少1次，相当于`\{1,\}`）。	`go+d`：匹配`g`后跟1个或多个`o`，最后是`d`（如`god`、`good`、`goood`）。	`a+`：匹配1个或多个`a`（如`a`、`aa`）。
`?`	匹配前一个字符0次或1次（最多1次，相当于`\{0,1\}`）。	`go?d`：匹配`g`后跟0个或1个`o`，最后是`d`（如`gd`、`god`）。	`e?`：匹配无`e`或有1个`e`。
`()`	将括号内的内容视为一个整体（用于分组操作，如重复、逻辑或）。	`g(oo)+d`：匹配`g`后跟1组或多组`oo`，最后是`d`（如`good`（1组`oo`）、`gooood`（2组`oo`））。	`(ab)+`：匹配`ab`、`abab`等。
`	`	逻辑“或”匹配（匹配多个模式中的任意一个，类似“或”关系）。	`g(oo\\|la)d`：匹配`g`后跟`oo`（即`good`）或`la`（即`glad`）。

注意：()和|在BRE中无效（除非使用和\|转义），仅在ERE中直接支持。

三、正则表达式核心元字符速查表

类别	元字符	功能	是否需要转义（BRE）	ERE中是否转义
位置匹配	`^`	行首	否	否
	`$`	行尾	否	否
单字符匹配	`.`	任意单个字符（除`
`）	否	否
	``	转义特殊字符	是（需转义其他元字符）	是（按需转义）
字符集合	`[list]`	匹配列表中的任意一个字符	否	否
	`[^list]`	匹配不在列表中的任意一个字符	否	否
次数匹配	`*`	前一个字符0次或多次	否	否
	`\{n\}`	前一个字符恰好n次（BRE）	是（需加``）	否（直接`{n}`）
	`\{n,\}`	前一个字符至少n次（BRE）	是（需加``）	否（直接`{n,}`）
	`\{n,m\}`	前一个字符n到m次（BRE）	是（需加``）	否（直接`{n,m}`）
	`{n}`（ERE）	前一个字符恰好n次（ERE）	否（ERE无需转义）	否
扩展功能	`+`（ERE）	前一个字符1次或多次	否（仅ERE支持）	否
	`?`（ERE）	前一个字符0次或1次	否（仅ERE支持）	否
	`()`（ERE）	分组（整体操作）	否（仅ERE支持）	否
	`	`（ERE）	逻辑“或”匹配	否（仅ERE支持）

四、正则表达式实战案例

案例1：电话号码匹配（BRE）

需求：匹配区号025开头的电话号码，要求：

号码与区号间分隔符为空格、-或无分隔；
号码本身必须是5或8开头，且为8位数字。

正则表达式：^(025)[ -]?[58][0-9]{7}$

分解说明：

^：匹配行首；
(025)：匹配固定区号025（分组非必须，但提高可读性）；
[ -]?：匹配分隔符（空格或-），?表示该分隔符出现0次或1次（即可以没有分隔符）；
[58]：匹配号码首数字为5或8；
[0-9]{7}：匹配后续7位数字（共8位）；
$：匹配行尾。

测试数据（phone.txt）：

02588888888
025-5555555555
025 12345678
025 54321678
025ABC88888
025-85432109
028-85643210
0251-52765421

匹配命令：

egrep "^(025)[ -]?[58][0-9]{7}$" phone.txt

预期输出：

02588888888
025 54321678
025-85432109

案例2：电子邮箱匹配（ERE）

需求：匹配符合标准格式的邮箱（用户名@子域名.二级域名.顶级域），要求：

用户名：6-18位，以字母或下划线开头，允许字母、数字、部分符号（不含@和空格）；
子域名与二级域名：允许字母、数字、-、_、.；
顶级域：2-5位字母。

正则表达式：^([a-zA-Z_][^@ ]{5,17})@[a-zA-Z0-9_\-.]+(\.[a-zA-Z0-9_\-.]+)?\.([a-zA-Z]{2,5})$

分解说明：

^：行首；
([a-zA-Z_][^@ ]{5,17})：用户名部分：
- [a-zA-Z_]：首字符为字母或下划线；
- [^@ ]{5,17}：后续5-17位为非@、非空格的任意字符（总长度6-18位）；
@：固定符号；
[a-zA-Z0-9_\-.]+：子域名/二级域名（允许字母、数字、_、-、.，至少1个字符）；
(\.[a-zA-Z0-9_\-.]+)?：可选的二级域名（以.开头，后接合法字符，?表示0或1次）；
\.([a-zA-Z]{2,5})：顶级域（以.开头，后接2-5位字母）；
$：行尾。

测试数据（email.txt）：

zhangsan123@qq.com
li si@163.com
wang@wu@sina.com
zhao liu@126.com
qianqi@sina.com.cn

匹配命令：

egrep "^([a-zA-Z_][^@ ]{5,17})@[a-zA-Z0-9_\-.]+(\.[a-zA-Z0-9_\-.]+)?\.([a-zA-Z]{2,5})$" email.txt

预期输出：

zhangsan123@qq.com
qianqi@sina.com.cn

五、文本处理工具详解

1. sed流编辑器（Stream Editor）

（1）核心概念

sed是一种非交互式流编辑器，它逐行读取输入文本（文件或管道），根据预定义的规则（命令）对每行内容进行编辑（如删除、替换、插入），并将结果输出到屏幕或文件。默认情况下，sed不会修改原文件（除非使用-i选项）。

工作流程：

读取：从输入源（文件/标准输入）读取一行内容，存入模式空间（临时缓冲区）；
执行：在模式空间中按顺序执行所有sed命令（若指定行地址，则只对该行或行范围执行）；
显示：将处理后的模式空间内容输出到结果流（默认输出到屏幕），然后清空模式空间；
循环：重复上述步骤，直到处理完所有输入行。

特点：适合批量处理文本（如日志清洗、配置文件修改），尤其擅长基于行或模式的简单编辑操作。

（2）常用命令格式

sed [选项] '操作命令' 文件1 文件2...  
# 常用选项：
# -n：禁止默认输出（仅显示显式指定的内容，需配合p命令使用）
# -i：直接修改原文件（谨慎使用！建议先备份）
# -r 或 -E：支持扩展正则表达式（-r为旧版，-E为新版推荐）
# -e：指定多个操作命令（单命令时可省略）

（3）常用操作与示例

操作	功能	示例命令	详细说明
`p`	打印当前模式空间的内容	`sed -n 'p' file`（打印文件所有行） `sed -n '3p' file`（打印第3行）	需配合`-n`选项避免重复输出默认内容。
`d`	删除当前行	`sed '3d' file`（删除第3行） `sed '/^$/d' file`（删除所有空行）	直接移除匹配的行，不进入输出流。
`s`	替换字符	`sed 's/old/new/' file`（替换每行第一个`old`为`new`） `sed 's/old/new/g' file`（替换所有`old`）	`g`表示全局替换（一行内所有匹配项）。
`a`	在当前行后追加内容	`sed '3a 新增内容' file`（在第3行后插入一行新内容）	追加的文本会作为新行出现在指定行之后。
`i`	在当前行前插入内容	`sed '3i 插入内容' file`（在第3行前插入一行新内容）	插入的文本会作为新行出现在指定行之前。
`=`	打印当前行号	`sed -n '=' file`（打印文件每行的行号）	仅输出行号，不输出行内容。
`n`	读取下一行	`sed -n 'n;p' file`（打印奇数行：读取下一行并打印）	`n`命令会让sed跳过当前行的后续操作，直接处理下一行。

（4）寻址方式（指定操作的目标行）

sed支持通过行号或正则表达式指定需要操作的行范围。

寻址方式	示例命令	说明
单行行号	`sed -n '5p' file`（打印第5行）	精确操作某一行。
最后一行	`sed -n '$p' file`（打印最后一行）	`$`表示文件的最后一行。
行范围	`sed -n '1,3p' file`（打印第1-3行） `sed -n '3,$p' file`（打印第3行到末尾）	操作从起始行到结束行的所有行。
相对行范围	`sed -n '1,+3p' file`（打印第1行及其后3行，即1-4行）	从指定行开始，连续操作后续N行。
正则匹配行	`sed -n '/关键词/p' file`（打印包含“关键词”的行）	操作所有匹配正则表达式的行。
组合条件	`sed -n '2,/nobody/p' file`（打印第2行到第一个包含“nobody”的行）	从指定行开始，到匹配某个模式的行结束。

（5）高级操作示例

删除空行：

sed '/^$/d' file.txt  # 删除所有空白行（行内容为空）

注释特定行（如给以root开头的行添加#注释）：

sed '/^root/ s/^/#/' /etc/passwd  # 将/etc/passwd中以root开头的行首添加#

直接修改文件（谨慎使用！）：

sed -i 's/old/new/g' file.txt  # 将文件中所有old替换为new，并直接保存到原文件

复杂替换（保留匹配内容）：

sed -n 's/\/bin\/bash/\/bin\/csh/p' /etc/passwd  # 将/bin/bash替换为/bin/csh，并打印修改的行
# 使用\转义/，或改用其他分隔符（如|）避免冲突：
sed -n 's|/bin/bash|/bin/csh|p' /etc/passwd

2. awk文本分析工具（Pattern-Scan Processing Language）

（1）核心概念

awk是一种面向字段的文本处理工具，它逐行读取输入文本，默认以空格或Tab键为分隔符将每行拆分为多个字段（1,2, ..., $NF），并通过模式（条件）+ 操作（命令）的方式对符合条件的行进行灵活处理。awk更适合处理结构化数据（如日志、CSV文件），支持复杂的逻辑判断、数学运算和循环控制。

特点：擅长按字段提取、统计和分析文本（如计算平均值、筛选特定条件的行、格式化输出）。

（2）基本语法

awk [选项] '模式或条件 {操作语句}' 文件1 文件2...  
# 常用选项：
# -F：指定字段分隔符（如-F: 表示以冒号为分隔符）

执行流程：

逐行读取输入文本；
根据指定的分隔符（默认空格/TAB）将当前行拆分为多个字段（1,2,...NF，0表示整行）；
若未指定模式，则对所有行执行操作；若指定了模式（如/关键词/、NR>10），则仅对匹配模式的行执行操作；
在操作语句中，可通过内置变量（如$1、NF、NR）访问字段和行信息，并执行打印、计算等操作。

（3）常用内置变量

变量	含义	示例
`$0`	当前行的完整内容	`awk '{print $0}' file`（打印所有行）
`$1`~`$n`	当前行的第1~n个字段	`awk -F: '{print $1}' /etc/passwd`（打印每行第一个字段，如用户名）
`NF`	当前行的字段总数	`awk '{print NF}' file`（打印每行的字段数）
`NR`	当前处理的行号（从1开始）	`awk '{print NR}' file`（打印每行的行号）
`FS`	输入字段分隔符（同-F选项）	`awk 'BEGIN{FS=":"} {print $1}' file`
`OFS`	输出字段分隔符（默认空格）	`awk '{OFS="

（4）常用操作与示例

场景	命令示例	详细说明
打印所有内容	`awk '{print}' file`或 `awk '{print $0}' file`	打印文件的每一行（$0表示整行内容）。
打印指定行	`awk 'NR==1 {print}' file`（第1行） `awk 'NR==3 {print}' file`（第3行）	通过行号（NR）精确控制要输出的行。
打印行范围	`awk 'NR>=1 && NR<=3 {print}' file`（1-3行） `awk '1,3 {print}' file`	操作从第1行到第3行的所有内容。
打印奇数行/偶数行	奇数行：`awk '(NR%2)==1 {print}' file` 偶数行：`awk '(NR%2)==0 {print}' file`	通过取模运算（NR%2）判断行号的奇偶性。
按字段筛选	`awk -F: '$3<5 {print $1,$3}' /etc/passwd`（UID小于5的用户）	条件判断字段值（如第3字段UID），并输出指定字段。
统计匹配行数	`awk '/\/bin\/bash$/{x++} END {print x}' /etc/passwd`（统计bash用户数）	`BEGIN`块初始化变量，`END`块输出最终结果。
格式化输出	`awk -F: '{print "用户名:" $1 ",UID:" $3}' /etc/passwd`	自定义输出格式（结合字符串拼接）。
多分隔符支持	`awk -F'[ ,:]' '{print $1}' file`（以空格、逗号、冒号为分隔符）	方括号内指定多个分隔符（逻辑“或”关系）。

（5）高级功能

调用Shell命令：通过管道将字段传递给外部命令（如统计在线用户数）：

awk 'BEGIN{n=0; while("w" | getline) n++; print n-2}'  # 统计当前登录用户数（扣除标题和空行）

数学运算：计算某列的平均值（如第一列数字的平均值）：

awk '{sum+=$1; count++} END {print sum/count}' data.txt  # sum累加第一列，count统计行数

数组统计：统计每行首字段的出现次数并排序：

awk '{a[$1]++} END {for(i in a) print a[i],i}' test.txt  # 统计每个首字段的出现次数
awk '{a[$1]++} END {for(i in a) print a[i],i}' test.txt | sort -r  # 按次数降序排序

条件判断与三元运算符：

awk -F: '{max=($3>$4)?$3:$4; print max}' /etc/passwd  # 取第3字段和第4字段的最大值

内置函数：如length($0)（计算行长度）、tolower($1)（转小写）、substr($1,2,3)（截取子串）。

六、总结对比

工具	核心定位	主要功能	正则表达式支持	典型使用场景
`grep`	快速文本搜索与过滤	根据模式匹配查找包含特定内容的行（支持过滤日志、查找关键字）	BRE（默认）、ERE（`-E`）	日志分析、关键词查找、空行/注释过滤
`sed`	流式文本编辑	对文本行进行删除、替换、插入等操作（适合批量修改配置文件、清理日志）	BRE（默认）、ERE（`-r`/`-E`）	配置文件修改、行内容替换、注释处理
`awk`	结构化文本分析与处理	按字段拆分文本，支持条件判断、数学运算、复杂逻辑（适合数据统计、报表生成）	ERE（默认支持高级正则）	日志统计、字段提取、数据格式化