AWK：从线型访问捕获的组

Question

如果我有一个 awk 命令

pattern { ... }

并且pattern使用了一个捕获组，我如何访问块中捕获的字符串？

Answer 1

使用 gawk，您可以使用 match 函数来捕获带括号的组。

gawk 'match($0, pattern, ary) {print ary[1]}' 

示例：

echo "abcdef" | gawk 'match($0, /b(.*)e/, a) {print a[1]}' 

输出cd。

注意 gawk 的具体用法，它实现了相关功能。

对于便携式替代方案，您可以使用 match() 和 substr 获得类似的结果。

示例：

echo "abcdef" | awk 'match($0, /b[^e]*/) {print substr($0, RSTART+1, RLENGTH-1)}'

输出cd。

Answer 2

那是在记忆中漫步……

我很久以前就用 perl 代替了 awk。

显然 AWK 正则表达式引擎没有捕获它的组。

你可以考虑使用类似的东西：

perl -n -e'/test(\d+)/ && print $1'

-n 标志使 perl 像 awk 一样遍历每一行。

Answer 3

这是我一直需要的东西，所以我为它创建了一个 bash 函数。它基于格伦杰克曼的回答。

定义

将此添加到您的 .bash_profile 等中。

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

用法

为文件中的每一行捕获正则表达式

$ cat filename | regex '.*'

为文件中的每一行捕获第一个正则表达式捕获组

$ cat filename | regex '(.*)' 1

Answer 4

你可以使用 GNU awk：

$ cat hta
RewriteCond %{HTTP_HOST} !^www\.mysite\.net$
RewriteRule (.*) http://www.mysite.net/$1 [R=301,L]

$ gawk 'match($0, /.*(http.*?)\$/, m) { print m[1]; }' < hta
http://www.mysite.net/

Answer 5

您也可以在 vanilla awk 中模拟捕获，无需扩展。但它并不直观：

步骤 1. 使用 gensub 将匹配项包围在字符串中未出现的某些字符。 步骤 2. 对角色使用 split 。 第 3 步。拆分数组中的每个其他元素都是您的捕获组。

$ echo 'ab cb ad' | awk '{ split(gensub(/a./,SUBSEP"&"​​SUBSEP,"g",$0),cap,SUBSEP);打印帽[2]"|"帽[4]； }' ab|广告

Answer 6

我在想出一个包含 Peter Tillemans 答案的 bash 函数时有点挣扎，但这是我想出的：

函数正则表达式 { perl -n -e "/$1/ && printf \"%s\n\", "'$1' }

对于以下正则表达式参数，我发现这比 opsb 的基于 awk 的 bash 函数效果更好，因为我不希望打印“ms”。

'([0-9]*)ms$'

Answer 7

我认为 gawk match()-to-array 仅适用于捕获组的第一个实例。

如果您想要捕获多个事物，并对它们执行任何复杂的操作，也许

gawk 'BEGIN { S = SUBSEP 
          } { 
              nx=split(gensub(/(..(..)..(..))/, 
                              "\\1"(S)"\\2"(S)"\\3", "g", str), 
                       arr, S)
              for(x in nx) { perform-ops-over arr[x] } }'

这样您就不会受到gensub() 或match() 的限制，这会限制您的修改的复杂性。

通过纯粹的反复试验，我注意到关于 unicode 模式下的 gawk 的一个警告：对于一个有效的 unicode 字符串 뀇꿬 以及下面列出的 6 个八进制代码：

场景 1：匹配单个字节没问题，但也会向您报告 1 的多字节 RSTART 而不是 2 的字节级答案。它也不会提供有关是否 \207 是第一个连续字节，或者是第二个字节，因为 RLENGTH 在这里总是为 1。

$ gawk 'BEGIN{ print match("\353\200\207\352\277\254", "\207") }' 
$ 1 

场景 2：Match 也适用于像这样的 unicode-invalid 模式

$ gawk 'BEGIN{ match("\353\200\207\352\277\254", "\207\352"); 
$                print RSTART, RLENGTH }' 
$ 1 2

场景 3：您可以检查是否存在针对 unicode 非法字符串的模式（\300 \xC0 对于所有可能的字节对都是 UTF8 无效的）

$ gawk 'BEGIN{ print ("\300\353\200\207\352\277\254" ~ /\200/) }' 
$ 1

场景 4/5/6：错误消息将显示在 (a) match() 的 unicode-invalid 字符串，index() 的任一参数为 unicode-invalid/incomplete。

$ gawk 'BEGIN{ match("\300\353\200\207\352\277\254", "\207\352"); print RSTART, RLENGTH }' gawk: cmd. line:1: warning: Invalid multibyte data detected. There may be a mismatch between your data and your locale. 2 2

$ gawk 'BEGIN{ print index("\353\200\207\352\277\254", "\352") }' gawk: cmd. line:1: warning: Invalid multibyte data detected. There may be a mismatch between your data and your locale. 0

$ gawk 'BEGIN{ print index("\353\200\207\352\277\254", "\200") }' gawk: cmd. line:1: warning: Invalid multibyte data detected. There may be a mismatch between your data and your locale. 0