将 PCRE 模式转换为 POSIX

Question

我有以下 pcre 可以正常工作：

/[c,f]=("(?:[a-z A-Z 0-9]|-|_|\/)+\.(?:js|html)")/g

它从输入中生成所需的输出“foo.js”和“bar.html”

<script src="foo.js"...
<link rel="import" href="bar.html"...

问题是，OS X 版本的 grep 似乎没有像 -o 这样的选项来仅打印捕获的组（根据另一个 SO 问题，这显然适用于 linux）。由于这将是 makefile 的一部分，因此我需要一个可以在任何 *nix 平台上运行的版本。

我尝试了 sed 但以下

s/[c,f]=("(?:[[:alphanum:]]|-|_|\/)+\.(?:js|html)")/\1/pg

引发错误：“重复运算符的操作数无效”。我试过把它修整下来，不包括文件路径分隔符，我似乎无法破解它。任何帮助将我的 pcre 翻译成我几乎可以保证在符合 POSIX 的（即使是非官方的）平台上拥有的东西？

附：我知道我编写的正则表达式中固有的潜在故障模式，它只会用于具有相当特定格式的非常特定的文件。

Answer 1

POSIX 定义了两种风格的正则表达式：

• BREs (Basic Regular Expressions) - 具有较少功能且需要 \ 转义某些元字符的旧版本，特别是 \(、\) 和 \{、\} 和 no 支持重复符号\+（用\{1,\} 模拟）和\?（用\{0,1\} 模拟），并且不支持\|（交替；无法模拟）。

• EREs (Extended Regular Expressions) - 更现代的风格，但是缺少正则表达式内部的反向引用（与捕获组不相同）；还有不支持词边界断言（例如\<）和不支持捕获组.

POSIX 还规定哪些实用程序支持哪种风格：哪些支持 BRE，哪些支持 ERE，哪些可选支持任一，以及哪些独家仅支持 BRE，或仅支持 ERE；特别是：

• grep 默认使用 BRE，但可以使用 -E 启用 ERE
• sed，遗憾的是，仅支持 BRE
  • 不过，GNU 和 BSD sed - 作为一个非标准扩展 - 确实 支持带有 -E 开关的 ERE（GNU @ 更广为人知的别名） 987654341@ 是-r，但也支持-E。
• awk 仅支持 ERE

此外，Linux 和 BSD/OSX 上的正则表达式库都实现了 POSIX ERE 语法的扩展 - 遗憾的是，这些扩展部分不兼容（例如单词边界断言的语法）。

至于您的特定正则表达式：

它使用非捕获组的语法(?:...)；但是，捕获组在grep 的上下文中毫无意义，因为grep 不提供替换 功能。

如果我们去掉这个方面，我们会得到：

[c,f]=("([a-z A-Z 0-9]|-|_|\/)+\.(js|html)") 

现在这是一个有效的 POSIX ERE（可以简化 - 请参阅 Benjamin W's helpful answer）。
但是，由于它是一个扩展 RE，如果您想严格遵守 POSIX，则使用sed 不是一个选项。

因为 GNU 和 BSD/OSX sed 都恰好实现了 -E 来支持 ERE，如果这些平台是唯一需要支持的 - 请参阅 anubhava's answer。

同样，GNU 和 BSD/OSX grep 都恰好实现了 非标准 -o 选项（与您在问题中所说的不同），所以，再次，如果这些平台是您唯一需要支持的，您可以使用：

$ grep -Eo '[c,f]=("([a-z A-Z 0-9]|-|_|\/)+\.(js|html)")' file | cut -c 3-
c="foo.js"
f="bar.html"

（请注意，只有 GNU grep 支持 -P 来启用 PCRE，这只是解决方案（注意 \K，它会丢弃迄今为止匹配的所有内容）：

$ grep -Po '[c,f]=\K("([a-z A-Z 0-9]|-|_|\/)+\.(js|html)")' file

)

如果您真的想要严格符合 POSIX 的解决方案，您可以使用awk：

$ awk -F\" '/[c,f]=("([a-z A-Z 0-9]|-|_|\/)+\.(js|html)")/ { print "\"" $2 "\"" }' file

Answer 2

在 OSX 上，以下 sed 应该适用于您给定的输入：

sed -E 's~.*[cf]=("[ a-zA-Z0-9_/-]+\.(js|html)").*~\1~' file

"foo.js"
"bar.html"

RegEx Demo

Answer 3

spec for POSIX sed 指出仅支持basic regular expressions (BRE)，因此不支持+ 或|；非捕获组甚至不在 extended regular expressions (ERE) 的规范中。

谢天谢地，GNU sed 和 BSD sed 都支持 ERE，所以我们可以使用交替和 + 量词。

几点：

• 您真的想要第一个括号表达式中的逗号吗？我怀疑它可能只是[cf]。

• 表达式

  (?:[a-z A-Z 0-9]|-|_|\/)+
  

  可以简化为单括号表达式，

  [a-zA-Z0-9_\/ -]+
  

  只需要一个空格。您还可以使用 POSIX 字符类：[[:alnum:]]_/ -]+。不确定您的 [:al<b>pha</b>num:] 是否被绊倒了。

• 对于引号之间的整个表达式，我只使用“引号之间的东西，以.js 或.html 结尾，前面是非引号”的表达式：

  "[^"]+\.(js|html)"
  

• 要模拟 grep -o 的行为，您还必须将表达式前后的所有内容与正则表达式开头和结尾处的 .* 匹配。

总而言之，我想说对于使用 ERE 的 sed（GNU sed 的-r 选项，BSD sed 的 -E 选项），这应该可以工作：

sed -rn 's/.*[cf]=("[^"]+\.(js|html)").*/\1/p' infile

或者，仅使用 BRE（由于交替需要两个命令）：

sed -n 's/.*[cf]=\("[^"][^"]*\.js"\).*/\1/p;s/.*[cf]=\("[^"][^"]*\.html"\).*/\1/p' infile

注意 BRE 如何使用 [abc][abc]* 而不是 [abc]+ 来模拟 + 量词。

这种方法的局限性在于，如果同一行上有多个匹配项，则只会打印第一个匹配项，因为s/// 命令会删除我们提取部分之前和之后的所有内容。