《精通正则表示式》第三版 1-4：egrep正则表示式的应用

ゞ浴缸里的玫瑰 2022-05-19 05:49 219阅读 0赞

## 匹配标识符 ##

C语言标识符：合法的标识符是由字母、数字和下划线的组成的序列，而且必须由英文字母或下划线开头，不能以数字开头。  
**identifier.txt：**

##　标识符:只包含数字，字母，下划线。但是不能以字母开头
    xiaoming1 //是标识符
    2xiaoming　//标识符不能以数字开头
    _xiaoming3　//是标识符
    #xiaoming //不是标识符：c语言标识符只能字母数字下划线组成
    xiaoming@ //不是标识符，同上

**匹配上面的标识符：**  
命令： `egrep "\<[a-zA-Z_][a-zA-Z0-9_]*\>" identifier.txt` ,效果如下。  
![这里写图片描述][70]  
可以看到上面的标识符已经选出来，但是还是有一些不正确地方，就是`#xiaoming`，`xiaoming@` 这两行都选出来了，但是还是选出来了，这是因为单词分界符只认识字母和数字的起始位置有关。也就说\#和@这两个符号单词分界符`\<`和`\>`不认为它是单词的一部分。所以上面的\#和@并没有标红。  
这里我还没有想到有什么很通用的方法去掉这些字符。  
下面仅仅对上面的文本例子做匹配，可以加入行开头元字符`^`，让该行必须以字母下划线开头，这样就可以过滤掉`#xiaoming`这一行。效果如下：  
![这里写图片描述][70 1]  
可以看到已经滤掉`#xiaoming`这一行了，但是`xiaoming@`这一行还没有过滤掉，我们可以在使用排除型字符组，使得单词分界结束符后面不能出现`@`这个字符，命令： `egrep "^\<[a-zA-Z_][a-zA-Z0-9_]*\>[^#@].*$" identifier.txt`效果如下。  
![这里写图片描述][70 2]  
但是这种修修补补的做法，不具备通用型，如果此时如果又来一个新的符号`&`  
那上面的正则表达式就不好用了。  
![这里写图片描述][70 3]

## 引号内的字符串 ##

匹配引号内字字符串最简便的办法就是使用这个表达式`"[^"]*"`，不过在使用的时候要注意使用转义符进行转义，不然egrep运行出错，命令：`egrep "\"[^\"]*\"" str.txt` .

--------------------

实例：  
**str.txt:**

private String str="小明";

命令：`egrep "\"[^\"]*\"" str.txt`，匹配结果如下。  
![这里写图片描述][70 4]

--------------------

表达式`"[^"]*"`中两端的引号用来匹配字符串的开头和结尾。在这两个引号之间的文本可以包括双引号之外的任何字符，所以用`[^"]`表示双引号之间的任何字符，用`*`来表示引号之间可以存在任意数目的非双引号字符。  
不过关于引号字符串，双引号之间可以出现有转义之后的引号，也是就是`\"`这种形式的引号。例如`String str2="{\"小明\",\"小李\"，\"小王\"}";`上面的正则表达式就不适用了，可以改成`"([^"]|(\")?)*"`这样的形式即可。

--------------------

**str2.java：**

package lan.base;
    
    public class Test { 
        public static void main(String[] args)
        {
            String str1="小明";
            String str2="{\"小明\",\"小李\"，\"小王\"}";
            System.out.println(str2);
        }
    }

命令:`egrep "\"([^\"]|(\\\")?)*\"" str2.java`,匹配效果如下。  
![这里写图片描述][70 5]  
可以看到我们实现了在字符串的匹配。即使引号里面有转义引号的情况。对不之前的正则表达式式：`"[^"]*"`，我们可以看到区别：  
![这里写图片描述][70 6]

## 应用3：匹配美元金额(可能是小数) ##

> `\$[0-9]+(\.[0-9][0-9])?`是一种匹配美元金额的办法.  
> 从整体上看，这个表达式很简单，分为三部分`\$`,`[0-9]+`和`(\.[0-9][0-9])?`，大致可以理解为，一个美元符号，然后是一组数字，之后可能一组字符(由小数点和两组数字组成)
> 
> 从几个方便来看，这表达式还是很简陋的。比如它只能接受1000，而无法接受  1000 ， 而 无 法 接 受 1,000。它确实能接受可能出现的小数部分

--------------------

**dollar.txt:**

$123.12
    $11.00
    $11
    $1000
    $1,000

命令：`egrep "\$[0-9]+(\.[0-9][0-9])?" dollar.txt`，这个没命令没有效果，可见，转移字符$好像没有用了。结果如下：  
![这里写图片描述][70 7]  
看到上面的运行结果是不对的，不过既然前面说到字符组可以让其中的元字符失效。所以这里我改成`[$][0-9]+(\.[0-9][0-9])?`,因为字符组使用要匹配一个字符，而\[$\]中只有一个美元符，所以美元符一定要匹配到。  
命令：`egrep "[$][0-9]+(\.[0-9][0-9])?" dollar.txt`。  
![这里写图片描述][70 8]

--------------------

> 还可以在上面的正则表示式中加入行结束符`$`来匹配只有美元的行

--------------------

命令：`egrep "[$][0-9]+(\.[0-9][0-9])?$" dollar.txt`，匹配效果如下  
![这里写图片描述][70 9]

--------------------

解决$1,000无法匹配的问题，可以使用正则表达式：`[$][0-9]{1,3}(,[0-9]{3})*$`表示。

--------------------

**dollar.txt:**

$123.12
    $11.00
    $11
    $1000000
    $1,000
    $11,000
    $100,000.34
    $1,000,000.23

命令：`egrep "[$][0-9]{1,3}(,[0-9]{3})*$" dollar.txt`,效果如下。  
![这里写图片描述][70 10]

然后加入小数点支持：`[$][0-9]{1,3}(,[0-9]{3})*(.[0-9]{1,2})?$`,命令：`egrep "[$][0-9]{1,3}(,[0-9]{3})*(.[0-9]{1,2})?$" dollar.txt`  
![这里写图片描述][70 11]  
从运行结果上来看，还差`$1000000`这一行没有匹配到。使用多选结构和上面匹配没有逗号分隔的正则合并一行就行了。合并后的正则表达式为：  
`[$]([0-9]{1,3}(,[0-9]{3})*|[0-9]*)(.[0-9]{1,2})?$`，命令：`egrep "[$]([0-9]{1,3}(,[0-9]{3})*|[0-9]*)(.[0-9]{1,2})?$" dollar.txt`  
可以惊喜的发现，上面的正则表达式还支持`$.23`这种形式的美元金额类型。  
在上面的dollar.txt中末尾加入一行`$.23`，匹配效果如下。  
![这里写图片描述][70 12]  
可以看到，所有类型的美元符都能匹配到了。  
这里再来解释一下`[$]([0-9]{1,3}(,[0-9]{3})*|[0-9]*)(.[0-9]{1,2})?$`这个正则表达式，

*  `[$]`表示美元符号
 *  `([0-9]{1,3}(,[0-9]{3})*|[0-9]*)`这是有两个子表达式构成的多选一结果  
    
    
     *  多选结构的子表达式`[0-9]{1,3}(,[0-9]{3})*`支持`$11,000,000`形式的金额表示法，这个子表达式又分为两部分。  
        
        
         *  第一部分`[0-9]{1,3}`中，\{1,3\}前面的字符组`[0-9]`，**重复1到3次。**也就是表示一个1位数，或者2位数，或者3位数的数字。
         *  第二部分`(,[0-9]{3})*`表示可以有一个逗号，然后是一个3位数的数字，**`{3}`表示前面的字符组`[0-9]`重复3次**，所以第二部分`(,[0-9]{3})*`表示可以**有多次逗号，然后是3位数，或者没有**。
     *  多选结果的第二个子表达式：`[0-9]*`支持`$100000000`这种没有逗号的美元金额表示方法。
 *  `(.[0-9]{1,2})?`支持小数操作，可以有也可以没有小数，小数的位数可以是1到2位。
 *  最后的`$`，表示美元金额之后就是行结尾。

## 匹配HTTP/HTML URL ##

> `Web URL`的形式可能有多种，所以构造一个能够匹配所有形式的`URL`的正则表达式颇有难度。不过稍微降低一点要求的话，我们可以用一个相当简单的正则表达式来匹配大多数常见的`URL`。  
> 常见的`HTTP/HTML URL`是下面这样的  
> `http://hostname/path.html`  
> 当然以.`htm`结尾的也很常见。  
> `hostname`(主机名，例如`www.yahoo.com`)的规范比较复杂，但是我们知道，  
> 跟在`http://`后面的就可能是主机名，所以这正则表达式就很简单，`[-a-z0-9_.]+`,`path`部分变化更多，所以我们需要使用`[-a-z0-9_:@&?=+,.!/~*$]*`注意，连字符必须放在字符组的开头，保证它是一个普通的字符，而不是用来表示范围的  
> 综合起来，我们第一次尝试的正则表达式是：  
> `egrep -i "\<http://[-a-z0-9_.]+/[-a-z0-9_:@&?=+,.!/~*$]*.html?\>" filename`

## 匹配时间 ##

### 匹配12小时制时间 ###

匹配表示时刻的文字可能有不同的严格程度  
`[0-9]?[0-9]:[0-9][0-9]\s*(am|pm)`能够匹配`9:17 am`或者`12:30 pm`但也能匹配无意义的时刻，如`99:99pm`。  
**匹配12小时制的小时数**  
首先来看小时，我们知道如果小时是两位数的话，十位数只能是`1`，但是`1?[0-9]`显然能匹配`19`也能匹配`0`这样无意义的小时。所以更好的办法应该是把小时分为两种情况来处理，两位数(大于等于10)的时候是一种情况，个位数的时候是一种情况(10点以下)。所以用`1[0-2]`来匹配`10`点，`11`点`12`点的情况。用`[1-9]`来表示`1`,`2`,`3`,`4`,`5`,`6`,`7`,`8`,`9`点这种情况。结合起来，小时就是`(1[0-2]|[1-9])`,  
**匹配分钟**  
分钟就比价简单十位数应该是`[0-5]`,个位数应该是`[0-9]`

所以12小时制综合起来就是`(1[0-2]|[1-9]):[0-5][0-9]\s*(am|pm)`

--------------------

**实例：**  
**time.txt:**

1:30 am
    10:20 am
    1:40 pm
    9:12 am
    12:30 pm
    18:89 pm #错误的表示方法
    99:99 pm #错误的时间表示法
    01:20 am #都是两位的时间表示法
    00:30
    23:59
    24:00 #错误的时间
    88:88 #错误的时间

使用正则表达式：`(1[0-2]|[1-9]):[0-5][0-9]\s*(am|pm)`进行匹配，命令：  
`egrep "\<(1[0-2]|[0-9]):[0-5][0-9]\s*(am|pm)\>" time.txt`，匹配结果如下。  
![这里写图片描述][70 13]  
可以看到对于这个正则表达式可以成功匹配`1:30 am`这类的事件表示方法。但是无法匹配`01:30 am`这种表示方法。解决办法是把1-9点的正则表示式`[1-9]`改成`0?[1-9]`即可，新的正则表达式为：`(1[0-2]|0?[1-9]):[0-5][0-9]\s*(am|pm)`,命令：`egrep "\<(1[0-2]|0?[1-9]):[0-5][0-9]\s*(am|pm)\>" time.txt`,匹配结果如下。  
![这里写图片描述][70 14]  
可以看到像`01:20 am`这种都是两位数表示的事件也能匹配到了。

### 匹配24小时制的时间 ###

还是先按照上面分而治之的方法，  
首先来匹配小时  
小时数小于10，也就是0-9的时候，可以用`[0-9]`来表示，但是不确定是不是只用一位数如`8`，可以能用两位数表示，例如`08`，所以小于10的小时数用`0?[0-9]`来表示。而大于10，小于20的时间用`1[0-9]`来表示，例如`10`,`19`。大于20的小时，用`2[0-3]`来表示，所以，24小时制的小时用`(2[0-3]|1[0-9]|0?[0-9])`表示小时，  
再来看分钟，分钟还是和上面一样简单，用`[0-5][0-9]`即可表示。  
所以24小时制的事件表示：`\<(2[0-3]|1[0-9]|0?[0-9]):[0-5][0-9]\>`,匹配命令：`egrep "\<(2[0-3]|1[0-9]|0?[0-9]):[0-5][0-9]\>" time.txt` ，匹配效果如下。  
![这里写图片描述][70 15]  
可以看到像`1:30 am`这样的行居然也会匹配到，这是因为单词分界符在1:30结尾处就结束了。所以1:30看起来也像24小时制的，所以也会匹配出来。解决方法是一直匹配到行结尾，行结尾之前不允许出现`am`或者`pm`这样才是24小时制的。  
新的正则表示式为`\<(2[0-3]|1[0-9]|0?[0-9]):[0-5][0-9]\>[^apm]*$`,命令：`egrep "\<(2[0-3]|1[0-9]|0?[0-9]):[0-5][0-9]\>[^apm]*$" time.txt`  
![这里写图片描述][70 16]  
这样就匹配出来的都是24小时制的时间了。

--------------------

### 同时匹配12小时制和24小时制的时间 ###

我们把上面匹配12小时制的正则表达式:`\<(1[0-2]|0?[1-9]):[0-5][0-9]\s*(am|pm)\>`和匹配24小时制的正则表达式`\<(2[0-3]|1[0-9]|0?[0-9]):[0-5][0-9]\>[^apm]*$`使用多选结构合并一下，这样就能同时支持两个时间了。如下所示。

(\<(1[0-2]|0?[1-9]):[0-5][0-9]\s*(am|pm)\>|\<(2[0-3]|1[0-9]|0?[0-9]):[0-5][0-9]\>[^apm]*$)

命令：`egrep "(\<(1[0-2]|0?[1-9]):[0-5][0-9]\s*(am|pm)\>|\<(2[0-3]|1[0-9]|0?[0-9]):[0-5][0-9]\>[^apm]*$)" time.txt`,匹配效果如下。  
![这里写图片描述][70 17]  
可以看到12小时制的时间和24小时制的时间都很好的匹配到了。不过这个表达式还是有问题的，后面不能出现任何的字母a,字母p和字母m,显然这就不是很正确。

[70]: /images/20220519/eb1465091d944986859393dfbccd2c02.png
[70 1]: /images/20220519/1f0d618635a64b3195579dc8d0e74f0d.png
[70 2]: /images/20220519/a0aa469f879f4717a111868968258e9f.png
[70 3]: /images/20220519/2590f595235c4ff88101e9709ae26abe.png
[70 4]: /images/20220519/c43b74c9953848d28992dc9d13c1a0f6.png
[70 5]: /images/20220519/a662536bb4ca4de29c23d04ac9031703.png
[70 6]: /images/20220519/34c27187dd8f4f83aa8b8d185b93b877.png
[70 7]: /images/20220519/ab3bbe2987e4447a99f2593b433452f7.png
[70 8]: /images/20220519/9d2ac04a693d426cb85fe1d943a719c1.png
[70 9]: /images/20220519/cc5460869af149bd8e6943bf37690327.png
[70 10]: /images/20220519/b1944bc8f0a4465dbefd04c94d727ea8.png
[70 11]: /images/20220519/e39f39b5b866492daa4787b3be286ca3.png
[70 12]: /images/20220519/92b34f542bac46a7b13b7ccc8bff4069.png
[70 13]: /images/20220519/325bdebe81af460089080dd5e31cb824.png
[70 14]: /images/20220519/830cf5de1c1146019e6c931f9ede22b9.png
[70 15]: /images/20220519/ad55236b14ec4a83bc14d26bc249acc7.png
[70 16]: /images/20220519/df7a8f357404483cb6d2144fd3560e1d.png
[70 17]: /images/20220519/9921d2e535a640dc8f117ef12ece0581.png