linux shell:提取正则表达式捕获组(catch group)匹配的字符串

bash

目前大部分shell(如bash)都提供了正则表达式判断操作符=~,如下就可以对一个字符符判断是否匹配正则表达式：

$ [[ "hello world" =~ wor(ld)? ]] && echo matched
matched

其实基于上面的表达式不仅可以判断是否匹配正则表达,还可以通过上面表达式创建的变量 BASH_REMATCH(数组)提取捕获组(catch group),
如下提取一个url的protocol和host部分

$ [[ "http://www.baidu.com" =~ (https?)://([[:alnum:]]+(\.[[:alnum:]_]+)*)  ]]  \
&& echo ${BASH_REMATCH[1]} ${BASH_REMATCH[2]}
http www.baidu.com

${BASH_REMATCH[0]} 即正则表达式的捕获组0(全部字符串)
${BASH_REMATCH[1]} 即正则表达式的捕获组1,以此类推

BASH_REMATCH 是 bash定义的保存正则表达式捕获组的变量,不同的脚本解释有不同的定义,比如zsh,ksh就有另外的变量定义方式

ksh

保存正则表达匹配数据的数组变量名叫 .sh.match ,对BASH_REMATCH,引用时必须以${.sh.match}方式引用

${.sh.match[0]} 即正则表达式的捕获组0(全部字符串)
${.sh.match[1]} 即正则表达式的捕获组1,以此类推

zsh

$MATCH 保存匹配的整个字符串,对应就是bash的BASH_REMATCH[0]
$match保存捕获组数据的数组(索引从1开始),$match[1]就对应BASH_REMATCH[1]

通用的实现

根据上面不同shell的实现试可以合成实现一个通用函数来以抹平shell之间的差异

function reMatch {
  typeset ec
  unset -v reMatch # initialize output variable
  [[ $1 =~ $2 ]] # perform the regex test
  ec=$? # save exit code
  if [[ $ec -eq 0 ]]; then # copy result to output variable
    [[ -n $BASH_VERSION ]] && reMatch=( "${BASH_REMATCH[@]}" )
    [[ -n $KSH_VERSION ]]  && reMatch=( "${.sh.match[@]}" )
    [[ -n $ZSH_VERSION ]]  && reMatch=( "$MATCH" "${match[@]}" )
  fi
  return $ec
}

调用示例：

$ reMatch "http://www.baidu.com" "(https?)://([[:alnum:]]+(\.[[:alnum:]_]+)*)"
$ echo ${reMatch[1]} ${reMatch[2]}
http www.baidu.com

更详细的说明参见参考资料¹

参考资料

---

1. 《retrieve a word after a regular expression in shell script》 ↩︎