使用 UNIX 进行文本处理

UNIX® 起源于简单的文本处理，并且在它的命令行环境中保留了功能最强大的文本处理工具之一。通过将一系列简单的命令组合在一起，可以完成复杂的文本转换，UNIX 提供的工具允许您构建几乎任何所需的文本处理引擎。

引言

    在 UNIX® 诞生之初，人们不大熟悉这种新的操作系统，但他们很快找到了适当的切入点，大学中的研究人员需要一种像样的文本处理环境。因为在那个时候，计算机的处理速度和内存容量有限，所以程序必须很小，并且相对比较简单。这样就产生了 UNIX 中著名的设计思想：“一组工具协同工作，以便完成一项任务”。通过 UNIX 管道将几种很小的、但功能强大的文本处理工具组合在一起，可以对文本进行各种方式的转换和操作。

    在本文中，您将简要了解从文件和程序中获得文本、使用 tr 命令对其进行简单的转换、使用 sed 命令进行复杂的搜索和替换操作。然后，您将使用 Perl 编程和脚本语言再次完成这些操作，这样一来您就可以认识到，Perl 的功能非常强大，它可以替代 tr 和 sed 命令。

开始之前

   如果您希望按照本文中的示例进行实验，请确保您可以使用 UNIX 命令行环境。这可能是本地计算机中的终端模拟程序（在现代桌面中通常称为 终端，如果您习惯使用 Windows®，那么可以使用 Cygwin）、或通过 SSH 访问的远程系统。

   本文的示例所使用的 Shell 语法适用于 GNU Bash，有关需要使用的特定语法，请参考您的 Shell 手册（或者可以考虑使用 Bash）。

对文本进行各种操作

    在开始使用 UNIX 的各种文本实用程序操作文本之前，需要了解如何获得文本。并且在进行这项工作之前，需要了解 UNIX 的标准输入/输出 (I/O) 流。

    标准 C 库（因而，每个 UNIX 程序）定义了三种标准流：输入、输出和错误。有时将它们称为 stdin、stdout 和 stderr，这是在所有 C 程序中用来表示它们的全局变量。

    当您在 Shell 中使用 > 操作符将程序输出重定向到文件时，就可以将它的标准输出 (stdout) 流发送到这个文件。例如：ls > this-dir 将 ls 的输出发送到一个名为 this-dir 的文件。

    当您在 Shell 中使用 < 操作符将程序输入重定向到文件时，就可以将该文件中的内容输入到该程序的标准输入 (stdin) 流。例如：sort < this-dir 可以从名为 this-dir 的文件中读取内容，并将其作为 sort 命令的输入。

    另一个常用于重定向标准流的操作符是“|”（管道）操作符，它可以将左侧程序的标准输出流连接到右侧程序的标准输入流。例如：ls | sort 和前面的两个示例完成相同的任务，并且无需临时文件，ls 的输出直接进入 sort 命令。

    如果您仔细观察，那么可能会发现，前面的这些示例中并没有出现标准错误 (stderr) 流。与标准输出流一样，可以对 stderr 进行重定向或使用管道进行传输，但是您需要告诉 Shell 您希望处理 stderr 而不是 stdout。

    可以使用 2> 操作符将标准错误流重定向到文件。在处理生成有用的错误输出的命令时，您经常会看到这个操作符，比如用于编译 UNIX 程序的 make 工具：make 2> build-errors。

    这个命令运行了 make，并将任何错误信息发送到 build-errors 文件。与之类似，您可以使用 2| 将 stderr 通过管道传递到另一个程序。

    如果您对具体的细节感兴趣，那么其他的流也有与之对应的数字，尽管很少使用到它们（0 表示标准输入，1 表示标准输出），除了在一个非常常见的操作符中。在清单 1 所示的示例中，2>&1 操作符将标准错误流连接 到标准输出流。与 > 操作符组合在一起，您可以使 stderr 和 stdout 输出到相同的文件中。

make > build-output 2>&1
      

命令

有两个常用来生成文本输出的标准 UNIX 命令：cat 和 echo。

    cat 命令读取参数中指定的每个文件，并将这些文件的内容写入到 stdout。echo 命令将其参数写入到 stdout。您常常会发现它们作为更复杂的命令管道中的一部分（请参见清单 2）。

cat file1 file2 ... filen
echo arguments...
      

head file1 file2 ... filen
tail file1 file2 ... filen
      

    tail 命令还有一个有用的选项 -f (follow)。该选项告诉 tail 打印指定文件的最后 10 行，但是它不仅打印已有的内容，还会等待该文件中将要出现的更多内容，并对其进行打印。您可以使用该选项接着 显示错误日志中的输出，例如，要在将错误写入到日志的同时查看这些错误。

转换文本

既然您已经了解了至少 5 种生成文本的方式，下面让我们来看一些进行简单文本转换的示例。

tr 命令允许您将一个集合中的字符转换为另一个集合中相应的字符。让我们来看一些示例（清单 4），以了解其工作方式。

清单 4. 使用 tr 对字符进行转换

echo "a test" | tr t p
echo "a test" | tr aest 1234
echo "a test" | tr -d t
echo "a test" | tr '[:lower:]' '[:upper:]'
      

    研究这些命令的输出结果（请参见清单 5），可以看出 tr 的工作方式（提示：它直接使用第二个集合中相应的字符来代替第一个集合中的字符）。

清单 5. tr 进行了哪些工作？

chrish@dhcp3 [199]$ echo "a test" | tr t p
a pesp
chrish@dhcp3 [200]$ echo "a test" | tr aest 1234
1 4234
chrish@dhcp3 [201]$ echo "a test" | tr -d t
a es
chrish@dhcp3 [202]$ echo "a test" | tr '[:lower:]' '[:upper:]'
A TEST
      

     第一个和第二个示例都很简单，将一个字符替换为另一个字符。第三个示例使用了 -d 选项 (delete)，它从输出中彻底删除了指定的字符。这个选项通常用来从 DOS 文本文件中删除回车，以将其转换为 UNIX 文本文件（请参见清单 6）。最后一个示例使用了字符类（[: :] 中的名称），以将所有的小写字母转换为大写字母。可移植操作系统接口标准（POSIX 标准）字符类包括：

• alnum：字母数字字符
• alpha：字母字符
• cntrl：控制（非打印）字符
• digit：数字字符
• graph：图形字符
• lower：小写字母字符
• print：可打印字符
• punct：标点符号
• space：空白字符
• upper：大写字符
• xdigit：十六进制字符

清单 6. 将 DOS 文本文件转换为 UNIX 文本文件

tr -d '\r' < input_dos_file.txt > output_unix_file.txt
      

   尽管 tr 命令表示了 C locale 环境变量（有关这些环境变量更多的信息，可以使用 man locale），但是不要指望它能够对 UTF-8 文档进行任何合理的操作，如能够使用合适的大写字符替换小写重音字符。tr 命令最适合于 ASCII 和其他标准 C 区域设置。

使用 sed 进行复杂的搜索和替换

    tr 命令所提供的单字符替换（或删除）功能非常适用于特定的解决方案，但是这些功能并不是很灵活。如果您需要将一个单词替换为另一个单词，或将连续的空格和制表符替换为一个空格，那又应该怎么办呢？

    幸运的是，您可以使用 sed 命令 (Stream EDitor)，它提供了功能强大的正则表达式 匹配和替换。正则表达式是使用各种构件构建的复杂模式规范，并且随着模式变得越来越复杂，它看起来就像是调制解调器的线路噪声。本文并不打算详细地介绍正则表达式，但是在本文中，您将简单了解 sed 所使用的一些有用的模式。

     在清单 7 中，您可以看到 sed 命令的基本格式。模式是用来匹配输入（通常可以使用管道从另一个程序输入，或者重定向于文本文件）的正则表达式，替换是指插入某些文本并用其代替那些与模式相匹配的文本。标志是用来控制替换行为的单个字符。最常用的标志是 g（将替换应用于所有匹配模式的非重叠实例，而不仅仅是第一个匹配项）。

实际上，模式和替换可以是各种各样的内容，并且它们之间不需要像在 tr 命令中那样具有 1:1 的关系。

清单 7. sed 命令

 
sed -e s/pattern/replacement/flags
      

最简单的模式是一个或多个字符组成的字符串。如清单 8 所示，例如将单词 one 替换为单词 another。

清单 8. 最简单的正则表达式

 
chrish@dhcp3 [334]$ echo "Replace one word" | sed -e s/one/another/
Replace another word
      

    可以使用方括号将一个或多个字符括起来，以创建一个集合，该集合中的任何字符都可以匹配。如清单 9 所示，让我们将所有的元音字母替换为下划线。

清单 9. 匹配集合中的任何字符

 
chrish@dhcp3 [338]$ echo "This is a test" | sed -e s/[aeiouy]/_/g
Th_s _s _ t_st
      

请注意，示例中使用了 g 标志，以便将模式/替换应用于所有的匹配项，而不仅仅是第一个匹配项。
  sed 命令也可以理解 tr 命令所支持的那些命名字符类，POSIX 对这些字符类进行了定义，但是本文中的语法稍有不同。清单 10 显示了如何替换任何空白字符（制表符、空格等等）：
清单 10. 根据命名字符类匹配内容

 
chrish@dhcp3 [345]$ echo -e 'hello\tthere'   
hello   there
chrish@dhcp3 [346]$ echo -e 'hello\tthere' | sed -e 's/[[:space:]]/, /'
hello, there
      

echo 命令的 -e 标志用来告诉该命令扩展 C 风格的转义字符，在本示例中，它会把 \t 转换为制表符。

    您还可以使用“.”（点号）匹配任何单个的字符。如果您需要处理一些略有变化的数据，或者包含难以进行转义的特殊字符的数据，那么使用这个符号是非常方便的。例如，在匹配引号时，我经常使用 .，所以我不需要在 Shell 中对引号进行转义。清单 11 显示了一个正则表达式初学者在使用这个模式时出现的问题。

清单 11. 这可能并不是想要的结果

 
chrish@dhcp3 [339]$ echo "This is a test" | sed -e s/./_/g
______________
      

    既然您已经了解了这些非常基本的内容，下面介绍一些附加模式修饰符，要使用高级 正则表达式，您现在还可以使用 -E 选项代替 -e。? 字符表示匹配前面模式元素的零个或一个实例，* 字符表示匹配前面元素的零个或多个实例。+ 字符表示匹配一个或多个前面的元素。^ 字符匹配行首，而 $ 则匹配行尾。清单 12 显示了实际应用中的情况。

清单 12. 实际应用中的多个匹配项

 
chrish@dhcp3 [356]$ echo "hellooooo" | sed -E 's/o?$/_/g'
helloooo_
chrish@dhcp3 [357]$ echo "hellooooo" | sed -E 's/o*$/_/g'
hell_
chrish@dhcp3 [358]$ echo "hellooooo" | sed -E 's/o+$/_/g'
hell_
      

     如果使用圆括号将模式元素括起来，您可以在替换字符串中使用匹配的内容。这些元素称为组，它们使得正则表达式搜索和替换操作的功能变得非常强大，但是却很难理解。例如，在清单 13 中，您匹配一个或多个 l (el) 字符，并且后面跟着零个或多个 o 字符。依次使用第二组和第一组中的内容对其进行替换，实际上是对它们进行交换。请注意这个模式中各个组的引用方法，即反斜杠加上该组的序号。

清单 13. 匹配组

 
chrish@dhcp3 [361]$ echo "hellooooo" | sed -E 's/(l+)(o*)$/\2\1/g'
heoooooll
      

    通过在大括号中指定匹配的数目，您可以匹配特定数目的模式。例如，模式 o{2} 将匹配两个（仅仅两个）o 字符。

    对了，还有最后一个内容，通过使用 \ 字符对其进行转义，您可以在模式中使用这些特殊字符的字面内容（即作为其本身）。

将其组合在一起

    既然已经向您介绍了一些非常简单的正则表达式，那么让我们来尝试一些有用的内容。给定 ls -l（文件长 清单）的输出，您将从中提取权限信息、大小和名称。清单 14 显示了要进行处理的 ls -l 输出示例。

清单 14. ls -l 的典型输出

 
chrish@dhcp3 [365]$ ls -l | tail
drwx------   3 chrish    wheel   102 Jun 14 21:38 gsrvdir501
drwxr-xr-x   2 chrish    wheel    68 Jun 16 16:01 hsperfdata_chrish
drwxr-xr-x   3 root      wheel   102 Jun 14 23:38 hsperfdata_root
-rw-r--r--   1 root      wheel   531 Jun 14 10:17
 illustrator_activation.plist
-rw-r--r--   1 root      wheel   531 Jun 14 10:10 indesign_activation.plist
-rw-------   1 nobody    wheel    24 Jun 16 16:01 objc_sharing_ppc_4294967294
-rw-------   1 chrish    wheel   132 Jun 16 23:50 objc_sharing_ppc_501
-rw-------   1 security  wheel    24 Jun 16 10:04 objc_sharing_ppc_92
-rw-r--r--   1 root      wheel   531 Jun 14 10:05 photoshop_activation.plist
-rw-r--r--   1 root      wheel   928 Jun 14 10:17 serialinfo.plist
      

正如您所看到的，这里一共有 7 列：

• 权限
• 链接的数目
• 属主
• 组
• 大小
• 最后的修改时间
• 名称

让我们来建立一些正则表达式，以匹配其中的每一列：

• .([r-][w-][x-]){3}—权限（使用 . 匹配第一个字符，因为它可能是几个不同的特殊字符中的任何一个。）
• [[:digit:]]+—链接的数目
• [A-Za-z0-9_\-\.]+ -—属主（您还可以使用这个模式进行组匹配。）
• [[:digit:]]+—大小
• .{3} [0-9 ]{2} [0-9 ][0-9]:[0-9][0-9]—修改时间（您可以对这个模式进行一些简化，因为所有的文件都在 6 月份进行的修改，所以您可以确切地指定月份的名称。）
• .+$—名称（在这些内容之后，您需要匹配所有的字符，直到行尾。）

   在上述模式之间，必须使用 [[:space:]]+ 对它们进行连接，因为您并不知道这些列之间究竟是使用空格或制表符，还是两者的组合进行分隔。您还需要将权限、大小和名称放到组中，以便可以在替换中使用它们。如清单 15 所示，正则表达式很快就变得难以理解。
清单 15. 完成后的正则表达式实在难以理解！

 
(.([r-][w-][x-]){3})[[:space:]]+[[:digit:]]+[[:space:]]+([A-Za-z0-9_\-\.]
+[[:space:]]+){2}([[:digit:]]+)[[:space:]]+.{3} [0-9 ]{2} [0-9
 ][0-9]:[0-9][0-9][[:space:]]+(.+)$
      

如果您仔细研究这个可怕的正则表达式模式，您将发现 5 个组：

1. 完整的权限块
2. 权限块中最后匹配的 rwx 组
3. 组（该模式的属主/组部分中最后匹配的内容）
4. 大小
5. 名称

在清单 16 中，您将更改 ls -l 的输出以显示文件名、权限和大小。

清单 16. 对输出进行重组

 
chrish@dhcp3 [382]$ ls -l | tail | sed -E
 's/(.([r-][w-][x-]){3})[[:space:]]+[[:digit:]]+[[:space:]]+([A-Za-z0-9_\-\.
 ]+[[:space:]]+){2}([[:digit:]]+)[[:space:]]+.{3} [0-9 ]{2} [0-9
 ][0-9]:[0-9][0-9][[:space:]]+(.+)$/\5 (\1) has \4 bytes of data/'
gsrvdir501 (drwx------) has 102 bytes of data
hsperfdata_chrish (drwxr-xr-x) has 68 bytes of data
hsperfdata_root (drwxr-xr-x) has 102 bytes of data
illustrator_activation.plist (-rw-r--r--) has 531 bytes of data
indesign_activation.plist (-rw-r--r--) has 531 bytes of data
objc_sharing_ppc_4294967294 (-rw-------) has 24 bytes of data
objc_sharing_ppc_501 (-rw-------) has 132 bytes of data
objc_sharing_ppc_92 (-rw-------) has 24 bytes of data
photoshop_activation.plist (-rw-r--r--) has 531 bytes of data
serialinfo.plist (-rw-r--r--) has 928 bytes of data
      

成功了！您已经完成了对输出结果的转换。

使用 Perl 完成相应的工作

    Perl 编程和脚本语言（请参见参考资料部分）的功能非常强大，通常可用来取代前面介绍的 tr 和 sed 命令。通常可以在命令行中直接输入简短的 Perl 程序，有时它可以完成比 tr 或 sed 命令行更多的操作。

     Perl 的 -p 选项告诉它读取和处理标准输入中的每行内容，并将结果打印到标准输出。-e 选项允许您在命令行中指定一个 Perl 表达式（实际上是一个程序）。

清单 17 显示了如何使用 Perl 完成清单 5 中的示例。

清单 17. 使用 Perl 完成 tr 的工作

 
chrish@dhcp3 [248]$ echo a test | perl -p -e 'tr/t/p/;'
a pesp
chrish@dhcp3 [249]$ echo a test | perl -p -e 'tr/aest/1234/;'
1 4234
chrish@dhcp3 [250]$ echo a test | perl -p -e 'tr/t//d;'
a es
chrish@dhcp3 [251]$ echo a test | perl -p -e 'tr/a-z/A-Z/;'
A TEST
      

    Perl 的 tr 语句具有不同的语法，它更像 sed 的搜索和替换表达式。另请注意，您在最后一个示例中指定了小写和大写字符的范围。

    Perl 中的正则表达式支持非常优秀，并且上面的 sed 示例可以作为有效的 Perl 语句正常工作。清单 18 使用 Perl 显示了清单 16 中的 ls -l 示例，除了 Perl 命令行语法之外，不需要对其他的内容进行更改。

清单 18. 使用 Perl 重组 ls 的输出

 
chrish@dhcp3 [384]$ ls -l | tail | perl -p -e
 's/(.([r-][w-][x-]){3})[[:space:]]+[[:digit:]]+[[:space:]]+([A-Za-z0-9_\-\.]
+[[:space:]]+){2}([[:digit:]]+)[[:space:]]+.{3} [0-9 ]{2} [0-9
 ][0-9]:[0-9][0-9][[:space:]]+(.+)$/\5 (\1) has \4 bytes of data/'
gsrvdir501 (drwx------) has 102 bytes of data
hsperfdata_chrish (drwxr-xr-x) has 68 bytes of data
hsperfdata_root (drwxr-xr-x) has 102 bytes of data
illustrator_activation.plist (-rw-r--r--) has 531 bytes of data
indesign_activation.plist (-rw-r--r--) has 531 bytes of data
objc_sharing_ppc_4294967294 (-rw-------) has 24 bytes of data
objc_sharing_ppc_501 (-rw-------) has 132 bytes of data
objc_sharing_ppc_92 (-rw-------) has 24 bytes of data
photoshop_activation.plist (-rw-r--r--) has 531 bytes of data
serialinfo.plist (-rw-r--r--) has 928 bytes of data
      

     这样做的优点在于，您可以使用 sed 或 Perl 完善正则表达式，并且在只包含其中某一个的系统中，您仍然可以它们。使用 Perl，您可以获得全方位的编程结构，可以充分地利用它们进行更复杂的文本处理。

总结

    使用像 sed 和 Perl 这样功能强大的工具，以及神奇的正则表达式，您可以直接通过 UNIX 命令行轻松地完成复杂的文本处理任务。这使得您可以有效地将多个命令组合在一起，以正确地完成文本处理工作。

原文链接：http://www-128.ibm.com/developerworks/cn/aix/library/au-textprocess.html