在Bash中提取子字符串

Question

给定一个形如 someletters_12345_moreleters.ext 的文件名，我想提取其中的 5 个数字并将其赋值给一个变量。

为了强调一下，我有一个由 x 个字符组成的文件名，然后是由单个下划线包围的五位数字序列，在另一组 x 个字符之后。我想要取出这个五位数并将其存入一个变量中。

我非常感兴趣的是有多少种方法可以实现这个目标。

- Berek Bryan

---

大多数答案似乎没有回答你的问题，因为问题含义不明确。根据你的定义，例如abc_12345_def_67890_ghi_def是一个有效的输入，那么你想要发生什么？假设只有一个5位数字序列，基于你对输入的定义，仍然可以将abc_def_12345_ghi_jkl、1234567_12345_1234567或12345d_12345_12345e视为有效输入。大多数下面的答案都无法处理这种情况。 - gman

这个问题的示例输入太具体了，因此它得到了很多针对这种特定情况（仅数字、相同的 _ 分隔符、输入字段中只包含目标字符串等）的具体答案。而最佳（最通用和最快速）答案在10年后只有7个赞，而其他有限的答案则有数百个赞。这让我失去了对开发者的信心。 - Dan Dascalescu

标题党。子字符串函数的含义已经很明确了，意味着通过数字位置获取一部分内容。所有其他内容（indexOf、regex）都与搜索有关。一个3个月前的问题在准确询问bash中的substring，得到了相同的回答，但没有在标题中包含"substring"。不是误导，但命名不当。结果：关于大多数投票的内置函数的答案被埋藏在5个屏幕之下进行排序；更早且更精确的问题标记为重复。 https://dev59.com/gnVC5IYBdhLWcg3wqzHV - user9999

我要注意到，我非常清楚在变量扩展中使用正则表达式的效率和实用性，但我来这里是因为我忘记了如何获取bash字符串变量的第i到第j个索引子字符串。根据答案的赞数，这也是我们大多数人来到这里的原因。 OP的具体问题最终被正则表达式实现更优雅地回答并不重要。 - Steven Lu

Answer 1

你可以使用参数扩展来实现这个功能。

如果a是常量，下面的参数扩展将执行子字符串提取：

b=${a:12:5}

其中12是偏移量（从零开始），5是长度。

如果输入中下划线是唯一的字符，则可以通过两个步骤去除前缀和后缀：

tmp=${a#*_}   # remove prefix ending in "_"
b=${tmp%_*}   # remove suffix starting with "_"

如果有其他下划线，可能仍然可行，但会更加棘手。如果有人知道如何在单个表达式中执行两个扩展，我也想知道。

所提供的两个解决方案都是纯bash，没有涉及进程生成，因此非常快。

- JB

---

在我的GNU bash 4.2.45上，出现了bash: ${${a#*_}%_*}: bad substitution的错误提示。 - JB.

@jonnyB，过去有一段时间它是有效的。我的同事告诉我它停止了，并且他们将其更改为sed命令或其他内容。从历史记录中查看，我在一个sh脚本中运行它，这可能是破折号。现在我无法让它再次工作。 - Spencer Rathbun

JB，你应该澄清一下，“12”是偏移量（从0开始计算），而“5”是长度。另外，感谢@gontard提供的链接，其中详细解释了所有内容！ - Doktor J

在脚本中运行“sh run.sh”时，可能会出现Bad Substitution错误。为了避免这种情况，请更改run.sh的权限（chmod +x run.sh），然后作为“./run.sh”运行脚本。 - Ankur

顺便提一句，偏移参数也可以是负数。只需注意不要将其与冒号连在一起，否则Bash会将其解释为“使用默认值”替换中的:-。因此，${a: -12:5}会输出距离末尾12个字符的5个字符，而${a: -12:-5}会输出末尾倒数第12个字符到倒数第5个字符之间的7个字符。 - JB.

Answer 2

使用 cut 命令：

echo 'someletters_12345_moreleters.ext' | cut -d'_' -f 2

更加通用：

INPUT='someletters_12345_moreleters.ext'
SUBSTRING=$(echo $INPUT| cut -d'_' -f 2)
echo $SUBSTRING

- FerranB

---

更通用的回答正是我在寻找的，谢谢。 - Berek Bryan

-f 标志使用基于 1 的索引，而不是程序员通常使用的基于 0 的索引。 - Matthew G

输入=一些字母_12345_更多字母.ext 子字符串=$(echo $输入| cut -d'_' -f 2) echo $子字符串 - mani deepak

除非你确定变量不包含异常空格或shell元字符，否则应该在echo的参数周围正确使用双引号。更多信息请参见https://dev59.com/NWkw5IYBdhLWcg3wMHum。 - tripleee

在“-f”后面加上数字“2”是告诉Shell提取第二个子字符串集合。 - Sandun

Answer 3

尝试使用cut -c 开始索引-结束索引

- brown.2179

---

有类似于 startIndex-lastIndex - 1 的东西吗？ - Niklas

@Niklas 在Bash中，可能是startIndx-$((lastIndx-1))。 - brown.2179

start=5;stop=9; echo "the rain in spain" | cut -c $start-$(($stop-1)) - brown.2179

问题在于输入是动态的，因为我也使用管道来获取它，所以基本上是这样的：git log --oneline | head -1 | cut -c 9-(end -1)。 - Niklas

这可以通过将其分为两部分并使用cut来完成，如 line=git log --oneline | head -1 && echo $line | cut -c 9-$((${#line}-1))，但在这种特定情况下，最好使用 sed ，如 git log --oneline | head -1 | sed -e 's/^[a-z0-9]* //g'。 - brown.2179

这个命令非常适合从像stat这样的命令中获取时间戳等信息！省时！ - Sean Halls

Answer 4

通用解决方案，其中数字可以出现在文件名的任何位置，使用第一个这样的序列：

number=$(echo "$filename" | egrep -o '[[:digit:]]{5}' | head -n1)

另一种提取变量的部分的解决方案：

number="${filename:offset:length}"

如果您的文件名始终具有格式stuff_digits_...，您可以使用awk：

number=$(echo "$filename" | awk -F _ '{ print $2 }')

另一种除去除数字以外的所有内容的解决方案是使用

number=$(echo "$filename" | tr -cd '[[:digit:]]')

- litb

---

如果我想从文件的最后一行提取数字/单词怎么办？ - A Sahra

我的需求是删除文件名的最后几个字符。 fileName="filename_timelog.log" number=${filename:0:-12} echo $number 输出：filename - Purushoth.Kesav

echo $filename | is itself broken -- it should be echo "$filename" | .... See I just assigned a variable, but echo $variable shows something else!. Or, for a bash-only more-efficient approach (at least, more efficient if your TMPDIR is stored on tmpfs, as is conventional on modern distros), <<<"$filename" egrep ... - Charles Duffy

egrepе·Іиў«ејѓз”ЁпјЊиЇ·дЅїз”Ёgrep -Eд»Јж›їгЂ‚ - soundflix

Answer 5

这是我会做的方式：

FN=someletters_12345_moreleters.ext
[[ ${FN} =~ _([[:digit:]]{5})_ ]] && NUM=${BASH_REMATCH[1]}

解释：

针对Bash：

• [[ ]] 表示条件表达式
• =~ 表示条件是一个正则表达式
• && 串联命令，当先前的命令成功时

正则表达式（RE）：_([[:digit:]]{5})_

• _是字面字符，用于标记匹配边界
• ()创建一个捕获组
• [[:digit:]]是一个字符类，我认为这个已经很清楚了
• {5}意味着之前的字符、类别（本例中）或组必须恰好匹配五次

可以将其视为以下英文行为：迭代FN字符串的每个字符，直到我们看到一个_，此时捕获组被打开，并尝试匹配五个数字。如果到目前为止匹配成功，则捕获组保存遍历的五个数字。如果下一个字符是_，则条件成功，捕获组在BASH_REMATCH中可用，并且下一个NUM=语句可以执行。如果任何匹配的部分失败，则保存的细节将被处理并且字符处理将在_之后继续进行。例如，如果FN为_1 _12 _123 _1234 _12345_，则在找到匹配项之前会出现四次错误尝试。

- nicerobot

---

这是一种通用的方法，即使您需要提取多个内容（就像我所做的那样），它也可以起作用。 - zebediah49

这确实是最通用的答案，应该被接受。它适用于正则表达式，而不仅仅是固定位置或在相同分隔符之间的字符字符串（这使得cut生效）。它也不依赖于执行外部命令。 - Dan Dascalescu

太好了！我将其适应为使用不同的起始/停止界定符（用 _ 替换）和可变长度数字（. 代表 {5}）以适应我的情况。有人可以解释一下这黑魔法吗？ - Paul

@Paul，我在我的回答中添加了更多细节。希望有所帮助。 - nicerobot

@nicerobot（或任何有见解的人），为什么你使用[[:digit:]]而不是[0-9]？我是否忽略了某些区域设置问题？我认为数字组始终应该是[0-9]，而[0-9]仍然比[[:digit:]]更清晰、更节省空间。我一直对这个字符类的存在有点好奇。当它可以用\d表示时，我理解它，但不理解它的完整形式。这与非扩展正则表达式有关吗？ - UrsineRaven

@UrsineRaven 个人偏好。我通常更喜欢使用 POSIX 类名，因为我认为它们使正则表达式更易读。 - nicerobot

Answer 6

如果有人需要更为严谨的信息，您也可以像这样在 man bash 中搜索

$ man bash [press return key]
/substring  [press return key]
[press "n" key]
[press "n" key]
[press "n" key]
[press "n" key]

结果为: ${parameter:offset} ${parameter:offset:length} 子字符串扩展。从偏移量所指定的字符开始，将参数的最多length个字符扩展出来。如果省略了length，则将参数的子字符串从指定偏移处开始扩展出来。length和offset是算术表达式（参见下面的算术计算）。如果offset计算为一个小于零的数字，则该值被用作从参数值结尾处的偏移量。以-开头的算术表达式必须与前面的冒号用空格分隔，以便与默认值扩展进行区分。如果length计算为一个小于零的数字，并且parameter不是@也不是一个索引或关联数组，则将其解释为从parameter值的结尾处的偏移量而不是字符数，扩展为两个偏移之间的字符。如果参数是@，则结果是从offset开始的长度位置参数。如果参数是由@或*订阅的索引数组名称，则结果是以${parameter[offset]}开头的数组成员的长度。负偏移相对于指定数组的最大索引加1。应用于关联数组的子字符串扩展会产生未定义的结果。请注意，负偏移必须与冒号至少用一个空格分隔，以避免与:-扩展混淆。除非使用位置参数，则子字符串索引从0开始。如果偏移为0且使用了位置参数，则$0将作为列表的前缀。

- jperelli

---

负数值的一个非常重要的注意事项如上所述：以a -开头的算术表达式必须通过空格与前面的:分开，以便与使用默认值扩展区分开来。因此，要获取变量的最后四个字符：${var: -4}。 - sshow

如果空格在您的命令中看起来不协调，您也可以使用${var:0-4}。 - Vopel

Answer 7

我很惊讶这个纯Bash解决方案没有被提出：

a="someletters_12345_moreleters.ext"
IFS="_"
set $a
echo $2
# prints 12345

您可能希望将IFS重置为先前的值，或在之后取消设置IFS！

- user1338062

---

这不是纯Bash解决方案，我认为它在纯Shell（/bin/sh）中可以工作。 - kayn

你可以用另一种方式来避免取消设置 IFS 和位置参数：IFS=_ read -r _ digs _ <<< "$a"; echo "$digs"。这样写也可以达到同样的效果，并且更为简洁易懂。 - kojiro

这句话涉及到路径名扩展！（所以它已经损坏了）。 - gniourf_gniourf

Answer 8

在 jor 的答案的基础上进行改进（但对我来说并不起作用）：

substring=$(expr "$filename" : '.*_\([^_]*\)_.*')

- PEZ

---

当你需要处理复杂的内容时，正则表达式是真正的利器，简单地计算下划线数量可能不够用。 - Aleksandr Levchuk

嗨，为什么不用[：digit：] *代替[^ _] *？ - YoavKlein

Answer 9

如果我们聚焦于这个概念：
"一串（一个或多个）数字"

我们可以使用几个外部工具来提取数字。
我们可以使用sed或tr轻松地删除所有其他字符：

name='someletters_12345_moreleters.ext'

echo $name | sed 's/[^0-9]*//g'    # 12345
echo $name | tr -c -d 0-9          # 12345

但如果 $name 包含多个数字序列，上述方法会失败：

比如当 "name=someletters_12345_moreleters_323_end.ext" 时，会出现问题：

echo $name | sed 's/[^0-9]*//g'    # 12345323
echo $name | tr -c -d 0-9          # 12345323

我们需要使用正则表达式 (regex)。
在 sed 和 perl 中只选择第一次运行 (12345 而不是 323)：

echo $name | sed 's/[^0-9]*\([0-9]\{1,\}\).*$/\1/'
perl -e 'my $name='$name';my ($num)=$name=~/(\d+)/;print "$num\n";'

但我们也可以直接在 bash⁽¹⁾ 中完成：

regex=[^0-9]*([0-9]{1,}).*$; \
[[ $name =~ $regex ]] && echo ${BASH_REMATCH[1]}

这使我们能够提取任意长度的数字组成的首个连续序列，该序列可能被其他文本/字符包围。

注意：regex=[^0-9]*([0-9]{5,5}).*$; 仅匹配刚好有5个数字组成的序列。 :-)

⁽¹⁾: 比为每个短文本调用外部工具更快。对于大文件内的所有处理来说，不如在sed或awk中进行处理。

- user2350426

---

将 echo $name 更改为 echo "$name"，否则 name=' * 12345 *' 将导致您的输出包含文件名中的数字。 - Charles Duffy

Answer 10

根据要求：

我有一个由x个字符组成的文件名，然后是一个由单个下划线包围的五位数字序列，再然后是另一组由x个字符组成的字符。我想取出这个5位数字并将其放入变量中。

我找到了一些可能有用的 grep 方法：

$ echo "someletters_12345_moreleters.ext" | grep -Eo "[[:digit:]]+" 
12345

更好。

$ echo "someletters_12345_moreleters.ext" | grep -Eo "[[:digit:]]{5}" 
12345

使用-Po语法：

$ echo "someletters_12345_moreleters.ext" | grep -Po '(?<=_)\d+' 
12345

或者，如果你希望它恰好适合5个字符：

$ echo "someletters_12345_moreleters.ext" | grep -Po '(?<=_)\d{5}' 
12345

最后，要将其存储在变量中，只需使用var=$(command)语法。

- fedorqui

---

我认为现在没有必要使用egrep命令，因为该命令本身会警告你：“调用‘egrep’已被弃用，请改用‘grep -E’”。我已编辑了你的回答。 - Neurotransmitter