Как извлечь в Linux некоторые группы захвата с помощью командной строки в стиле php / preg?

pcregrep -io1 'something="(\w+)"' myfile.txt

(-i для поиска без учета регистра, -o1 для печати первой группы захвата).

GNU grep поддерживает -P (если он построен с поддержкой регекса, совместимого с perl) и -o. Однако его -o ограничен печатью всей совпадающей части. Однако вы можете использовать операторы perl для обхода этого:

grep -iPo '(?<=something=")\w+(?=")' myfile.txt

(то есть, regexp, который соответствует последовательности символов компонентов слова при условии, что за ним следует something="" и за ним следует ").

Или с достаточно свежим PCRE:

grep -iPo 'something="\K\w+(?=")' myfile.txt

(где \K сбрасывает начало совпадающей строки).

Но если вы собираетесь использовать регекспы perl, вы можете использовать perl:

perl -C -lne 'print for /something="(\w+)"/ig' myfile.txt

С GNU или BSD sed, чтобы вернуть только самое правое совпадение в строке:

sed -nE 's/.*something="(\w+)".*/\1/pi' myfile.txt

Портативно (поскольку расширенная поддержка regex и нечувствительное к регистру соответствие являются нестандартными расширениями, поддерживаемыми не всеми реализациями sed):

sed -n 's/.*[sS][oO][mM][eE][tT][hH][iI][nN][gG]="\([[:alnum:]_]\{1,\}\)".*/\1/p' myfile.txt

Это предполагает, что прописная i - это I. Это означает, что в локалях, где прописные i это, например, İ, поведение будет отличаться от предыдущего решения.

Стандартное/портативное решение, которое может найти все вхождения в строке:

awk '{while(match(tolower($0), /something="[[:alnum:]_]+"/)) {
    print substr($0, RSTART+11, RLENGTH-12)
    $0 = substr($0, RSTART+RLENGTH-1)}}' myfile.txt

Это может работать некорректно, если на входе есть текст, чья версия в нижнем регистре не имеет одинаковой длины (по количеству символов).

Загвоздки:

• Между всеми этими решениями будут некоторые различия в том, что \w (и [[:alnum:]_]) соответствует в локалях, отличных от C/POSIX. В любом случае он должен, по крайней мере, включать подчеркивание, все десятичные арабские цифры и буквы латинского английского алфавита (прописные и строчные). Если вам нужны только эти буквы, установите локаль на C.
• Как уже упоминалось, нечувствительное к регистру сопоставление очень сильно зависит от локали. Если вам важны только a-z против A-Z английских букв, вы можете снова установить локаль на C.
• The . оператор regexp в GNU-реализации sed, по крайней мере, никогда не будет соответствовать последовательностям байтов, которые не являются частью допустимого символа. В локали UTF-8, например, это означает, что он не будет сопоставлять символы однобайтовой кодовой системы с установленным 8-м битом. Другими словами, чтобы решение sed работало правильно, набор символов, используемый во входном файле, должен быть таким же, как и в локали пользователя.
• perl, pcregrep и утилиты GNU обычно работают со строками любой длины, содержащими любое произвольное значение байтов (но обратите внимание на оговорку выше), и рассматривают дополнительные данные после последнего символа новой строки как дополнительную строку. Другие реализации этих утилит могут этого не делать.

• Приведенные выше шаблоны поочередно сопоставляются с каждой строкой во входных данных. Это означает, что они не могут соответствовать более чем одной строке ввода. Это не проблема для шаблона типа something="\w+", который не может занимать более одной строки, но в общем случае, если вы хотите, чтобы ваш шаблон соответствовал тексту, который может занимать несколько строк, как something=".*?", то вам нужно либо:

  • изменить тип записи, с которой вы работаете. grep --null, sed -z (только GNU sed), perl -0, awk -v RS='\0' (только GNU awk и последние версии mawk) могут работать с записями, разделенными NUL, вместо строк (записи, разделенные новой строкой), GNU awk может использовать любой regexp в качестве разделителя записей (с -v RS='regexp'), perlлюбое байтовое значение (с -0ooo`).
  • pcregrep имеет для этого многострочный режим -M.
  • используйте режим slurp от perl, где весь вход - это одна запись (с -0777)

  Затем, для perl и pcre, остерегайтесь, что . не будут соответствовать символам новой строки, если не включен флаг s, например, с pcregrep -Mio1 '(?s)something="(.*?)"' или perl -C -l -0777 -ne 'print for /something="(.*? )"/gis'

• Имейте в виду, что некоторые версии grep и pcregrep имели ошибки с -z или -M, а движки regexp вообще могут иметь некоторые встроенные ограничения на количество усилий, которые они могут приложить для соответствия regexp.