Захоплення груп із Grep RegEx

У мене цей маленький сценарій sh(Mac OSX 10.6) для перегляду масиву файлів. На даний момент Google перестав бути корисним:

files="*.jpg"
for f in $files
    do
        echo $f | grep -oEi '[0-9]+_([a-z]+)_[0-9a-z]*'
        name=$?
        echo $name
    done

Поки (очевидно, для вас гуру оболонки) $nameпросто містить 0, 1 або 2, залежно від того, чи було grepвстановлено, що ім'я файлу відповідає наданій справі. Що я хотів би - це захопити те, що знаходиться всередині паронів, ([a-z]+)і зберегти його до змінної .

Я хотів би використовувати grepлише, якщо це можливо . Якщо ні, будь ласка, ні Python, ні Perl тощо, sedчи щось подібне - я новачок у оболонці і хотів би атакувати це під кутом * nix purist.

Крім того, мені, як супер класному бонусу , цікаво, як я можу об'єднати рядок в оболонку? Чи є група, яку я захопила, рядок "somename", що зберігається в $ name, і я хотів додати рядок ".jpg" до кінця, чи можу я cat $name '.jpg'?

Поясніть, будь ласка, що відбувається, якщо у вас є час.

Якщо ви використовуєте Bash, вам навіть не доведеться використовувати grep:

files="*.jpg"
regex="[0-9]+_([a-z]+)_[0-9a-z]*"
for f in $files    # unquoted in order to allow the glob to expand
do
    if [[ $f =~ $regex ]]
    then
        name="${BASH_REMATCH[1]}"
        echo "${name}.jpg"    # concatenate strings
        name="${name}.jpg"    # same thing stored in a variable
    else
        echo "$f doesn't match" >&2 # this could get noisy if there are a lot of non-matching files
    fi
done

Краще помістити регулярний вираз у змінну. Деякі зразки не працюватимуть, якщо вони включені буквально.

Для цього використовується =~оператор відповідності регулярних виразів Баша. Результати матчу зберігаються у масиві, який називається $BASH_REMATCH. Перша група захоплення зберігається в індексі 1, друга (якщо така є) в індексі 2 та ін. Нуль індексу - це повністю збіг.

Ви повинні знати, що без якорів цей регулярний вираз (і той, хто використовує grep) буде відповідати будь-якому з наведених нижче прикладів і більше, що може бути не тим, що ви шукаєте:

123_abc_d4e5
xyz123_abc_d4e5
123_abc_d4e5.xyz
xyz123_abc_d4e5.xyz

Щоб усунути другий і четвертий приклади, зробіть свій регулярний вираз таким чином:

^[0-9]+_([a-z]+)_[0-9a-z]*

який говорить, що рядок повинен починатися з однієї або декількох цифр. Карат являє собою початок рядка. Якщо ви додасте знак долара в кінці регулярного виразу, виконайте наступне:

^[0-9]+_([a-z]+)_[0-9a-z]*$

тоді третій приклад також буде усунутий, оскільки крапка не є серед символів у регулярному вираженні, а знак долара є кінцем рядка. Зауважте, що четвертий приклад також не відповідає цій відповідності.

Якщо у вас є GNU grep(приблизно 2,5 або пізнішої версії, я думаю, коли \Kоператор був доданий):

name=$(echo "$f" | grep -Po '(?i)[0-9]+_\K[a-z]+(?=_[0-9a-z]*)').jpg

\KОператор ( з змінною довжиною дивитися-ззаду) викликає попередній зразок , щоб відповідати, але не включає в себе матч в результаті. Еквівалент фіксованої довжини (?<=)- візерунок буде включений до дужок, що закриваються. Ви повинні використовувати , \Kякщо квантори можуть відповідати рядки різної довжини (наприклад +, *, {2,4}).

В (?=)операторі відповідає фіксованому або моделі змінної довжини і називаються «випереджувальним». Він також не включає відповідні рядки в результаті.

Для того, щоб збіг не збігався з регістровим регістром, використовується (?i)оператор. Це впливає на закономірності, які слідують за ним, тому його позиція є важливою.

Регекс може знадобитися коригувати залежно від того, чи є в імені файла інші символи. Ви зауважите, що в цьому випадку я показую приклад об'єднання рядка одночасно із захопленням підрядків.

З чистим це реально неможливо grep, принаймні, взагалі.

Але якщо ваш малюнок підходить, ви, можливо, зможете використовувати grepкілька разів у межах конвеєра, щоб спочатку зменшити лінію до відомого формату, а потім витягти лише потрібний біт. (Хоча інструменти подобаються cutі sedнабагато кращі в цьому).

Припустимо, для аргументу, що ваш шаблон був трохи простішим: [0-9]+_([a-z]+)_ви можете витягнути його так:

echo $name | grep -Ei '[0-9]+_[a-z]+_' | grep -oEi '[a-z]+'

Перший grepвидалить будь-які рядки, які не відповідали вашому загальному патерну, а другий grep(який --only-matchingвказав) відображатиме альфа-частину імені. Це працює лише тому, що візерунок підходить: "альфа-частина" є достатньо конкретною, щоб витягнути те, що потрібно.

(Убік: Особисто я б використав grep+, cutщоб досягти того, що ви шукаєте:. echo $name | grep {pattern} | cut -d _ -f 2Це отримує cutдля розбору рядка на поля, розділяючи на роздільник _, і повертає просто поле 2 (номери полів починаються з 1)).

Філософія Unix - це мати інструменти, які роблять одну справу, і роблять це добре, і комбінувати їх для досягнення нетривіальних завдань, тому я б стверджував, що grep+ sedтощо - це більш універсальний спосіб робити речі :-)

Я усвідомлюю, що відповідь на це вже прийнято, але з "строго * нікс-пуристського кута" здається, що правильним інструментом для роботи є pcregrep, який, схоже, ще не згадувався. Спробуйте змінити рядки:

    echo $f | grep -oEi '[0-9]+_([a-z]+)_[0-9a-z]*'
    name=$?

до наступного:

    name=$(echo $f | pcregrep -o1 -Ei '[0-9]+_([a-z]+)_[0-9a-z]*')

щоб отримати лише вміст 1 групи захоплення.

pcregrepІнструмент використовує всі той же синтаксис , ви вже використовували з grep, але реалізує функціональні можливості, які вам потрібно.

Параметр -oпрацює так само, як і grepверсія, якщо він оголений, але він також приймає числовий параметр у pcregrep, який вказує, яку групу захоплення ви хочете показати.

Завдяки цьому рішенню в сценарії є необхідний мінімум змін. Ви просто замінюєте одну модульну утиліту іншою і налаштовуєте параметри.

Цікава примітка: Ви можете використовувати декілька -o аргументів, щоб повернути кілька груп захоплення в тому порядку, в якому вони відображаються у рядку.

Неможливо просто в греп я вважаю

для sed:

name=`echo $f | sed -E 's/([0-9]+_([a-z]+)_[0-9a-z]*)|.*/\2/'`

Я візьму удар на бонус, хоча:

echo "$name.jpg"

Це рішення, яке використовує gawk. Мені здається, що мені потрібно часто користуватися, тому я створив для нього функцію

function regex1 { gawk 'match($0,/'$1'/, ary) {print ary['${2:-'1'}']}'; }

використовувати просто робити

$ echo 'hello world' | regex1 'hello\s(.*)'
world

Пропозиція для вас - ви можете використовувати розширення параметрів, щоб видалити частину імені від останнього підкреслення далі та аналогічно на початку:

f=001_abc_0za.jpg
work=${f%_*}
name=${work#*_}

Тоді nameматиме значення abc.

Див. Документи для розробників Apple , шукайте вперед "Розширення параметрів".

якщо у вас баш, ви можете використовувати розширений глобус

shopt -s extglob
shopt -s nullglob
shopt -s nocaseglob
for file in +([0-9])_+([a-z])_+([a-z0-9]).jpg
do
   IFS="_"
   set -- $file
   echo "This is your captured output : $2"
done

або

ls +([0-9])_+([a-z])_+([a-z0-9]).jpg | while read file
do
   IFS="_"
   set -- $file
   echo "This is your captured output : $2"
done