如何使用grep、正则表达式或perl提取符合某一模式的字符串

Question

我有一个文件，看起来像这样：

    <table name="content_analyzer" primary-key="id">
      <type="global" />
    </table>
    <table name="content_analyzer2" primary-key="id">
      <type="global" />
    </table>
    <table name="content_analyzer_items" primary-key="id">
      <type="global" />
    </table>

我需要提取紧随name=引号内的任何内容，即content_analyzer，content_analyzer2和content_analyzer_items。

我在Linux上进行此操作，因此可以使用sed、perl、grep或bash解决方案。

- wrangler

---

不用害羞，欢迎来到这里！ - Benoit

我认为不将链接 https://dev59.com/X3I-5IYBdhLWcg3wq6do#1732454 放在这里是错误的。 - Christoffer Hammarström

感谢大家提供的有用评论。我为XML格式不正确而道歉。我删除了一些标签以简化它。 - wrangler

Answer 1

由于您需要匹配内容但不包括在结果中（必须匹配name="，但它不是所需结果的一部分），因此需要某种形式的零宽度匹配或组捕获。这可以通过以下工具轻松完成：

Perl

使用Perl，您可以使用n选项逐行循环并打印捕获组的内容（如果匹配成功）：

perl -ne 'print "$1\n" if /name="(.*?)"/' filename

GNU grep

如果你有一个更好的版本的grep，比如GNU grep，你可能会发现有-P选项可用。这个选项将启用类似Perl的正则表达式，使你能够使用\K，这是一个简写的向后查找。它将重置匹配位置，因此它之前的任何内容都是无宽度的。

grep -Po 'name="\K.*?(?=")' filename

o 选项使 grep 只打印匹配到的文本，而不是整行。

Vim - 文本编辑器

另一种方法是直接使用文本编辑器。使用 Vim，其中一种实现此目的的方法是删除没有 name= 的行，然后从结果行中提取内容：

:v/.*name="\v([^"]+).*/d|%s//\1

标准 grep

如果由于某种原因你无法访问这些工具，使用标准的 grep 命令也可以实现类似功能。但是，由于没有预搜索功能，稍后可能需要进行一些清理:

grep -o 'name="[^"]*"' filename

关于保存结果的注释

在上面的所有命令中，结果将被发送到stdout。重要的是要记住，您可以通过添加管道将它们保存到文件中：

> result

到命令的结尾。

- sidyll

---

在GNU grep中的查找（Lookarounds）：grep -Po '.*name="\K.*?(?=".*)' - Dennis Williamson

我为什么会生气？没有.*，你可以使用grep -Po '(?<=name=").*?(?=")'。\K可以用作简写，但只有当其左侧的匹配长度可变时才真正需要它。在这种情况下，使用环视的原因是相当明显的。非贪婪操作看起来更加整洁（[^"]*与.*?相比），而且你不必重复锚定字符。我不知道速度如何。我认为这很大程度上取决于上下文。希望这有所帮助。 - Dennis Williamson

+1 为命令描述。如果您能更新您的答案并解释正则表达式中的 "[...]" 部分，我们将不胜感激。 - lreeder

@lreeder 谢谢。这是一个字符类，当它以 ^ 开头时，意味着它匹配除了其内容之外的任何字符。因此，[^"] 表示每个不是引号的字符。我没有在后面的答案中使用它，而是选择了未准备好的版本 .*?。前面的版本是贪婪的，所以我使用该类来匹配除引号之外的所有内容，并打算在第一个引号处停止，这与“非贪婪”地匹配任何东西直到引号相同。希望这有助于理解，如果需要更好的澄清，请告诉我。 - sidyll

在OS X上，只需通过Homebrew安装grep并使用它来代替默认的工具即可。它应该可以正常工作。 - Sebastián Barschkis

Answer 2

正则表达式应该是：

.+name="([^"]+)"

然后分组将在 \1 中进行。

- Matt Shaver

Answer 3

应该使用HTML解析器来实现这个目的，而不是使用正则表达式。一个利用HTML::TreeBuilder的Perl程序：

程序

#!/usr/bin/env perl

use strict;
use warnings;

use HTML::TreeBuilder;

my $tree = HTML::TreeBuilder->new_from_file( \*DATA );
my @elements = $tree->look_down(
    sub { defined $_[0]->attr('name') }
);

for (@elements) {
    print $_->attr('name'), "\n";
}

__DATA__
<table name="content_analyzer" primary-key="id">
  <type="global" />
</table>
<table name="content_analyzer2" primary-key="id">
  <type="global" />
</table>
<table name="content_analyzer_items" primary-key="id">
  <type="global" />
</table>

输出

content_analyzer
content_analyzer2
content_analyzer_items

- Alan Haggai Alavi

Answer 4

如果您使用Perl，可以下载一个解析XML的模块：XML::Simple、XML::Twig或XML::LibXML。不要重复造轮子。

- shawnhcorey

---

请注意，例子中提供的格式不够规范（例如 <type="global"），因此大多数 XML 解析器会报错并停止运行。 - bvr

Answer 5

以下是使用HTML Tidy和xmlstarlet的解决方案：

htmlstr='
<table name="content_analyzer" primary-key="id">
<type="global" />
</table>
<table name="content_analyzer2" primary-key="id">
<type="global" />
</table>
<table name="content_analyzer_items" primary-key="id">
<type="global" />
</table>
'

echo "$htmlstr" | tidy -q -c -wrap 0 -numeric -asxml -utf8 --merge-divs yes --merge-spans yes 2>/dev/null |
sed '/type="global"/d' |
xmlstarlet sel -N x="http://www.w3.org/1999/xhtml" -T -t -m "//x:table" -v '@name' -n

- mitma

Answer 6

这可以做到：

perl -ne 'if(m/name="(.*?)"/){ print $1 . "\n"; }'

- Benoit

Answer 7

糟糕，sed命令必须在tidy命令之前执行：

echo "$htmlstr" | 
sed '/type="global"/d' |
tidy -q -c -wrap 0 -numeric -asxml -utf8 --merge-divs yes --merge-spans yes 2>/dev/null |
xmlstarlet sel -N x="http://www.w3.org/1999/xhtml" -T -t -m "//x:table" -v '@name' -n

- mitma

Answer 8

如果你的xml（或一般文本）结构是固定的，最简单的方法是使用cut。对于你的特定情况：

echo '<table name="content_analyzer" primary-key="id">
  <type="global" />
</table>
<table name="content_analyzer2" primary-key="id">
  <type="global" />
</table>
<table name="content_analyzer_items" primary-key="id">
  <type="global" />
</table>' | grep name= | cut -f2 -d '"'

- Carlos Lindado