shell 字符串处理汇总

http://blog.chinaunix.net/uid-124706-id-3475936.html

字符串：

简称“串”。有限字符的序列。数据元素为字符的线性表，是一种数据的逻辑结构。在计算机中可有不同的存储结构。在串上可进行求子串、插入字符、删除字符、置换字符等运算。

字符：

计算机程序设计及操作时使用的符号。包括字母、数字、空格符、提示符及各种专用字符等。

一般字符的运算包括：

第一、找出字符或者字符串的类型，是数字、字母还是其他特定字符，是可打印字符，还是不可打印字符（一些控制字符）。

第二、找出组成字符串的字符个数和字符串的存储结构（比如数组）。

第三、对串的常规操作：求子串、插入字符、删除字符、置换字符、字符串的比较等。

第四、对串的一些比较复杂而有趣的操作，这里将在最后介绍一些有趣的范例。

1. 字符串的属性

字符有可能是数字、字母、空格、其他特殊字符，而字符串有可能是它们任何一种或者多种的组合，在组合之后还可能形成一个具有特定意义的字符串，诸如邮件地址，URL地址等。

概要示例: 下面我们来看看如何判断字符的类型。

说明：

[1] /dev/null和/dev/zero是非常有趣的两个设备，它们都犹如一个黑洞，什么东西掉进去都会消失殆尽；后者则是一个能源箱，你总能从那里取到0，直到你退出。

[2] [[:space:]]是grep用于匹配空格或者TAB键类型字符串的一种标记，其他类似的标记请查看grep的帮助,man grep。

[3] 上面都是用grep来进行模式匹配，实际上sed, awk都可以用来做模式匹配，关于匹配中用到的正则匹配模式知识，大家可以参考正则匹配模式，更多相关资料请看参考资料。

[4] 如果仅仅想判断字符串是否为空，即判断字符串的长度是否为零，那么可以简单的通过test命令的-z选项来判断，具体用法见test命令，man test.

概要示例: 判断字符是否可打印？如何控制字符在终端的显示。

更多关于字符在终端的显示控制方法，请参考资料[20]和字符显示实例[21]：用shell实现的一个动态时钟。

1.2 字符串的长度

概要示例: 除了组成字符串的字符类型外，字符串还有哪些属性呢？组成字符串的字符个数。下面我们来计算字符串的长度，即所有字符的个数，并简单介绍几种求字符串中指定字符个数的方法。

说明：

${}操作符在Bash里头一个“大牛”，能胜任相当多的工作，具体就看看网中人的《shell十三问》之《Shell十三问》之"$(( )) 與 $( ) 還有${ } 差在哪？" 吧。

在一个文本文件的段落之间插入空行

索引

expr index $string $substring

在字符串$string中所匹配到的$substring第一次所出现的位置.

这与C语言中的strchr()函数非常相似.

1.3 字符串的存储

在我们看来，字符串是一连串的字符而已，但是为了操作方便，我们往往可以让字符串呈现出一定的结构。在这里，我们不关心字符串在内存中的实际存储结构，仅仅关系它呈现出来的逻辑结构。比如，这样一个字符串："get the length
of me"，我们可以从不同的方面来呈现它。

1.3.1 通过字符在串中的位置来呈现它

这样我们就可以通过指定位置来找到某个子串。这在c语言里头通常可以利用指针来做。而在shell编程中，有很多可用的工具，诸如expr，awk都提供了类似的方法来实现子串的查询动作。两者都几乎支持模式匹配(match)和完全匹配(index)。这在后面的字符串操作中将详细介绍。

匹配字符串开头的子串长度

expr match "$string" '$substring'

$substring是一个正则表达式.

expr "$string" : '$substring'

$substring是一个正则表达式.

1.3.2 根据某个分割符来取得字符串的各个部分

这里最常见的就是行分割符、空格或者TAB分割符了，前者用来当行号，我们似乎已经司空见惯了，因为我们的编辑器就这样“莫名”地处理着行分割符（在unix下为\n，在其他系统下有一些不同，比如windows下为\r\n)。而空格或者TAB键经常用来分割数据库的各个字段，这似乎也是司空见惯的事情。

正是因为这样，所以产生了大量优秀的行编辑工具，诸如grep,awk,sed等。在“行内”（姑且这么说吧，就是处理单行，即字符串里头不再包含行分割符）的字符串分割方面，cut和awk提供了非常优越的“行内”（处理单行）处理能力。

1.3.3 更方便地处理用分割符分割好的各个部分

同样是用到分割符，但为了更方便的操作分割以后的字符串的各个部分，我们抽象了“数组”这么一个数据结构，从而让我们更加方便地通过下标来获取某个指定的部分。bash提供了这么一种数据结构，而优秀的awk也同样提供了它，我们这里将简单介绍它们的用法。

概要示例：利用数组存放"get the length of me"的用空格分开的各个部分。

2. 字符串常规操作

字符串操作包括取子串、查询子串、插入子串、删除子串、子串替换、子串比较、子串排序、子串进制转换、子串编码转换等。

2.1 取子串

概要示例：取子串的方法主要有：直接到指定位置求子串，字符匹配求子串。

${string:position}

在$string中从位置$position开始提取子串.

如果$string是"*"或者"@", 那么将会提取从位置$position开始的位置参数.[1]

${string:position:length}

在$string中从位置$position开始提取$length长度的子串.

如果$string参数是"*"或"@", 那么将会从$position位置开始提取$length个位置参数, 但是由于可能没有$length个位置参数了, 那么就有几个位置参数就提取几个位置参数.

expr substr $string $position $length

在$string中从$position开始提取$length长度的子串.

expr match "$string" '\($substring\)'

从$string的开始位置提取$substring,$substring是正则表达式.

expr "$string" : '\($substring\)'

从$string的开始位置提取$substring,$substring是正则表达式.

expr match "$string" '.*\($substring\)'

从$string的结尾提取$substring,$substring是正则表达式.

expr "$string" : '.*\($substring\)'

从$string的结尾提取$substring,$substring是正则表达式.

说明：

[1] %和#的区别是，删除字符的方向不一样,前者在右，后者在左，%%和%,##和#的方向是前者是最大匹配，后者是最小匹配。(好的记忆方法见网中人的键盘记忆法:#$%是键盘依次从左到右的三个键)

[2] tr的-c选项是complement的缩写，即invert，而-d选项是删除的意思，tr -cd "[a-z]"这样一来就变成保留所有的字母啦。

对于字符串的截取，实际上还有一些命令，如果head,tail等可以实现有意思的功能，可以截取某个字符串的前面、后面指定的行数或者字节数。例如：

2.2. 查询子串
概要示例：子串查询包括：返回符合某个模式的子串本身和返回子串在目标串中的位置。
准备：在进行下面的操作之前，请把http://oss.lzu.edu.cn/blog/blog.php?do_showone/tid_1385.html 链 接中的内容复制到一个文本text里头，用于下面的操作。
// 查询子串在目标串中的位置

$ var="get the length of me"

$ expr index "$var" t #貌似仅仅可以返回某个字符或者多个字符中第一个字符出现的位置

3

$ echo $var | awk '{printf("%d\n", match($0,"the"));}' #awk却能找出字串,match还可以匹配正则表达式

5
// 查询子串，返回包含子串的行(awk,sed都可以实现这些功能,但是grep最擅长）

$ grep "consists of" text # 查询text文件包含consists of的行，并打印这些行

$ grep "consists[[:space:]]of" -n -H text # 打印文件名，子串所在行的行号和该行的内容

$ grep "consists[[:space:]]of" -n -o text # 仅仅打印行号和匹配到的子串本身的内容

$ awk '/consists of/{ printf("%s:%d:%s\n",FILENAME, FNR, $0)}' text #看到没？和grep的结果一样

$ sed -n -e '/consists of/=;/consists of/p' text #同样可以打印行号

2.3. 子串替换
子串替换就是把某个指定的子串替换成其他的字符串，实际上这里就蕴含了“插入子串”和“删除子串”的操作。例如，你想插入某个字符串到某个子串之 前，就可以把原来的子串替换成”子串+新的字符串“，如果想删除某个子串，就把子串替换成空串。不过有些工具提供了一些专门的用法来做插入子串和删除子串 的操作，所以呆伙还是会专门介绍的。另外，要想替换掉某个子串，一般都是先找到子串（查询子串），然后再把它替换掉的，实质上很多工具在使用和设计上都体
现了这么一点。

${string/substring/replacement}

使用$replacement来替换第一个匹配的$substring.

${string//substring/replacement}

使用$replacement来替换所有匹配的$substring.

${string/#substring/replacement}

如果$substring匹配$string的开头部分, 那么就用$replacement来替换$substring.

${string/%substring/replacement}

如果$substring匹配$string的结尾部分, 那么就用$replacement来替换$substring.

概要示例：下面我们把变量var中的空格替换成下划线看看。
// 用{}运算符，还记得么？网中人的教程。

$ var="get the length of me"

$ echo ${var/ /_} #把第一个空格替换成下划线

get_the length of me

$ echo ${var// /_} #把所有空格都替换成了下划线了

get_the_length_of_me
// 用awk，awk提供了转换的最小替换函数sub和全局替换函数gsub，类似/和//

$ echo $var | awk '{sub(" ", "_", $0); printf("%s\n", $0);}'

get_the length of me

$ echo $var | awk '{gsub(" ", "_", $0); printf("%s\n", $0);}'

get_the_length_of_me
// 用sed了，子串替换可是sed的特长

$ echo $var | sed -e 's/ /_/' #s <= substitude

get_the length of me

$ echo $var | sed -e 's/ /_/g' #看到没有，简短两个命令就实现了最小匹配和最大匹配g <= global

get_the_length_of_me
// 有忘记tr命令么？可以用替换单个字符的

$ echo $var | tr " " "_"

get_the_length_of_me

$ echo $var | tr '[a-z]' '[A-Z]' #这个可有意思了，把所有小写字母都替换为大写字母

GET THE LENGTH OF ME

说明：sed还有很有趣的标签用法呢，下面再介绍吧。
有一种比较有意思的字符串替换是，整个文件行的倒置，这个可以通过tac命令实现，它会把文件中所有的行全部倒转过来。在一定意义上来说，排序实际 上也是一个字符串替换。

在替换子串时再提供一些tr的用法：

tr示例：

2.4. 插入子串
插入子串：就是在指定的位置插入子串，这个位置可能是某个子串的位置，也可能是从某个文件开头算起的某个长度。通过上面的练习，我们发现这两者之间 实际上是类似的。
公式：插入子串=把"old子串"替换成"old子串+new子串"或者"new子串+old子串"
概要示例：：下面在var字符串的空格之前或之后插入一个下划线
// 用{}

$ var="get the length of me"

$ echo ${var/ /_ } #在指定字符串之前插入一个字符串

get_ the length of me

$ echo ${var// /_ }

get_ the_ length_ of_ me

$ echo ${var/ / _} #在指定字符串之后插入一个字符串

get _the length of me

$ echo ${var// / _}

get _the _length _of _me
// 其他的还用演示么？这里主要介绍sed怎么用来插入字符吧，因为它的标签功能很有趣

$ echo $var | sed -e 's/\( \)/_\1/' #\(和\)将不匹配到的字符串存放为一个标签，按匹配顺序为\1,\2...

get_ the length of me

$ echo $var | sed -e 's/\( \)/_\1/g'

get_ the_ length_ of_ me

$ echo $var | sed -e 's/\( \)/\1_/'

get _the length of me

$ echo $var | sed -e 's/\( \)/\1_/g'

get _the _length _of _me
// 看看sed的标签的顺序是不是\1,\2....，看到没？\2和\1掉换位置后，the和get的位置掉换了

$ echo $var | sed -e 's/\([a-z]*\) \([a-z]*\) /\2 \1 /g'

the get of length me

// sed还有专门的插入指令，a和i,分别表示在匹配的行后和行前插入指定字符

$ echo $var | sed '/get/a test'

get the length of me

test

$ echo $var | sed '/get/i test'

test

get the length of me

2.5. 删除子串
删除子串：应该很简单了吧，把子串替换成“空”（什么都没有）不就变成了删除么。还是来简单复习一下替换吧。
概要示例：：把var字符串中所有的空格给删除掉。
鼓励： 这样一替换不知道变成什么单词啦，谁认得呢？但是中文却是连在一起的，所以中文有多难，你想到了么？原来你也是个语言天才，而英语并不可怕，你有学会它的 天赋，只要你有这个打算。
// 再用{}

$ echo ${var// /}

getthelengthofme

// 再用awk

$ echo $var | awk '{gsub(" ","",$0); printf("%s\n", $0);}'

// 再用sed

$ echo $var | sed 's/ //g'

getthelengthofme

// 还有更简单的tr命令，tr也可以把" "给删除掉，看

$ echo $var | tr -d " "

getthelengthofme

如果要删除掉第一个空格后面所有的字符串该怎么办呢？还记得{}的#和%用法么？如果不记得，回到这一节的还头开始复习吧。（实际上删除子串和取子串未尝 不是两种互补的运算呢，删除掉某些不想要的子串，也就同时取得另外那些想要的子串——这个世界就是一个“二元”的世界，非常有趣）
2.6. 子串比较
这个很简单：还记得test命令的用法么？man test。它可以用来判断两个字符串是否相等的。另外，你发现了“字符串是否相等”和“字符串能否跟另外一个字符串匹配"两个问题之间的关系吗？如果两个 字符串完全匹配，那么这两个字符串就相等了。所以呢，上面用到的字符串匹配方法，也同样可以用到这里。
2.7. 子串排序
差点忘记这个重要的内容了，子串排序可是经常用到的，常见的有按字母序、数字序等正序或反序排列。sort命令可以用来做这个工作，它和其他行处理 命令一样，是按行操作的，另外，它类似cut和awk，可以指定分割符，并指定需要排序的列。
$ var="get the length of me"

$ echo $var | tr ' ' '\n' | sort #正序排

get

length

me

of

the

$ echo $var | tr ' ' '\n' | sort -r #反序排

the

of

me

length

get

2.7. 子串进制转换
如果字母和数字字符用来计数，那么就存在进制转换的问题。在数值计算一节的回复资料里，我们已经介绍了bc命令，这里再简单的复习一下。
$ echo "ibase=10;obase=16;10" | bc

A

说明：ibase指定输入进制，obase指出输出进制，这样通过调整ibase和obase，你想怎么转就怎么转啦！
2.7. 子串编码转换
什么是字符编码？这个就不用介绍了吧，看过那些乱七八糟显示的网页么？大多是因为浏览器显示时的”编码“和网页实际采用的”编码“不一致导致的。字 符编码通常是指把一序列”可打印“字符转换成二进制表示，而字符解码呢则是执行相反的过程，如果这两个过程不匹配，则出现了所谓的”乱码“。
为了解决”乱码“问题呢？就需要进行编码转换。在linux下，我们可以使用iconv这个工具来进行相关操作。这样的情况经常在不同的操作系统之 间移动文件，不同的编辑器之间交换文件的时候遇到，目前在windows下常用的汉字编码是gb2312，而在linux下则大多采用utf8。
$ nihao_gb2312=$(echo "你好" | iconv -f utf8 -t gb2312)

$ echo $nihao_gb2312

? ? ? ?

$ nihao_utf8=$(echo $nihao_gb2312 | iconv -f gb2312 -t utf8)

$ PS1="$ "

$ echo $nihao_utf8

你好

说明：我的终端默认编码是utf8，所以结果如上。
3. 字符串操作范例
实际上，在用Bash编程时，大部分时间都是在处理字符串，因此把这一节熟练掌握非常重要。
3.1 处理一个非常有意义的字符串：URL地址
范例演示：处理URL地址
URL 地址(URL（Uniform Resoure Locator：统一资源定位器）是WWW页的地址)几乎是我们日常生活的玩伴，我们已经到了无法离开它的地步啦，对它的操作很多，包括判断URL地址的 有效性，截取地址的各个部分（服务器类型、服务器地址、端口、路径等）并对各个部分进行进一步的操作。
下面我们来具体处理这个URL地址：
ftp://anonymous:ftp@mirror.lzu.edu.cn/software/scim-1.4.7.tar.gz $ url="ftp://anonymous:ftp@mirror.lzu.edu.cn/software/scim-1.4.7.tar.gz "

// 匹配URL地址，判断URL地址的有效性

$ echo $url | grep "ftp://[a-z]*:[a-z]*@[a-z\./ -]*"

// 截取服务器类型

$ echo ${url%%:*}

ftp

$ echo $url | cut -d":" -f 1

ftp

// 截取域名

$ tmp=${url##*@} ; echo ${tmp%%/*}

mirror.lzu.edu.cn

// 截取路径

$ tmp=${url##*@} ; echo ${tmp%/*}

mirror.lzu.edu.cn/software

// 截取文件名

$ basename $url

scim-1.4.7.tar.gz

$ echo ${url##*/}

scim-1.4.7.tar.gz

// 截取文件类型（扩展名）

$ echo $url | sed -e 's/.*[0-9].\(.*\)/\1/g'

tar.gz

有了上面的知识，我们就可以非常容易地进行这些工作啦：修改某个文件的文件名，比如调整它的编码，下载某个网页里头的所有pdf文档等。这些就作为练习自 己做吧，如果遇到问题，可以在回帖交流。相应地可以参考这个例子：
[1] 用脚本下载某个网页中的英文原著(pdf文档）
http://oss.lzu.edu.cn/blog/blog.php?do_showone/tid_1228.html 3.2 处理格式化的文本：/etc/passwd
平时做工作，大多数时候处理的都是一些“格式化”的文本，比如类似/etc/passwd这样的有固定行和列的文本，也有类似tree命令输出的那 种具有树形结构的文本，当然还有其他具有特定结构的文本。
关于树状结构的文本的处理，可以考虑看看这两个例子：

[1] 用AWK转换树形数据成关系表
http://oss.lzu.edu.cn/blog/blog.php?do_showone/tid_1260.html
[2] 用Graphviz进行可视化操作──绘制函数调用关系图
http://oss.lzu.edu.cn/blog/blog.php?do_showone/tid_1425.html
实际上，只要把握好特性结构的一些特点，并根据具体的应用场合，处理起来就不会困难。
下面我们来介绍具体有固定行和列的文本的操作，以/etc/passwd文件为例。关于这个文件的帮忙和用户，请通过man 5 passwd查看。下面我们对这个文件以及相关的文件进行一些有意义的操作。
// 选取/etc/passwd文件中的用户名和组ID两列

$ cat /etc/passwd | cut -d":" -f1,4

// 选取/etc/group文件中的组名和组ID两列

$ cat /etc/group | cut -d":" -f1,3

// 如果想找出所有用户所在的组，怎么办？

$ join -o 1.1,2.1 -t":" -1 4 -2 3 /etc/passwd /etc/group

root:root

bin:bin

daemon:daemon

adm:adm

lp:lp

pop:pop

nobody:nogroup

falcon:users

// 先解释一下：join命令用来连接两个文件，有点类似于数据库的两个表的连接。-t指定分割符，"-1 4 -2 3"指定按照第一个文件的第4列和第二个文件的第3列，即组ID进行连接，"-o 1.1,2.1"表示仅仅输出第一个文件的第一列和第二个文件的第一列，这样就得到了我们要的结果，不过，可惜的是，这个结果并不准确，再进行下面的操 作，你就会发现：

$ cat /etc/passwd | sort -t":" -n -k 4 > /tmp/passwd

$ cat /etc/group | sort -t":" -n -k 3 > /tmp/group

$ join -o 1.1,2.1 -t":" -1 4 -2 3 /tmp/passwd /tmp/group

halt:root

operator:root

root:root

shutdown:root

sync:root

bin:bin

daemon:daemon

adm:adm

lp:lp

pop:pop

nobody:nogroup

falcon:users

games:users

// 可以看到这个结果才是正确的，所以以后使用join千万要注意这个问题，否则采取更保守的做法似乎更能保证正确性，更多关于文件连接的讨论见参考资料 [14]

上面涉及到了处理某格式化行中的指定列，包括截取（如SQL的select用法），连接（如SQL的join用法），排序（如SQL的order by用法)，都可以通过指定分割符来拆分某个格式化的行，另外，“截取”的做法还有很多，不光是cut，awk，甚至通过IFS指定分割符的read命令 也可以做到，例如：
$ IFS=":"; cat /etc/group | while read C1 C2 C3 C4; do echo $C1 $C3; done
因此，熟悉这些用法，我们的工作将变得非常灵活有趣。
到这里，需要做一个简单的练习，如何把按照列对应的用户名和用户ID转换成按照行对应的，即把类似下面的数据：
$ cat /etc/passwd | cut -d":" -f1,3 --output-delimiter=" "

root 0

bin 1

daemon 2
转换成：
$ cat a

root bin daemon

0 1 2
并转换回去，有什么办法呢？记得诸如tr，paste,split等命令都可以使用。
参考方法：

＊正转换：先截取用户名一列存入文件user，再截取用户ID存入id，再把两个文件用paste -s命令连在一起，这样就完成了正转换。

＊逆转换：先把正转换得到的结果用split -1拆分成两个文件，再把两个拆分后的文件用tr把分割符"\t"替换成"\n"，只有用paste命令把两个文件连在一起，这样就完成了逆转换。
在做shell批处理程序时候，经常会涉及到字符串相关操作。有很多命令语句，如：awk,sed都可以做字符串各种操作。 其实shell内置一系列操作符号，可以达到类似效果，大家知道，使用内部操作符会省略启动外部程序等时间，因此速度会非常的快。

一、判断读取字符串值

表达式	含义
${var}	变量var的值, 与$var相同
${var-DEFAULT}	如果var没有被声明, 那么就以$DEFAULT作为其值 *
${var:-DEFAULT}	如果var没有被声明, 或者其值为空, 那么就以$DEFAULT作为其值 *
${var=DEFAULT}	如果var没有被声明, 那么就以$DEFAULT作为其值 *
${var:=DEFAULT}	如果var没有被声明, 或者其值为空, 那么就以$DEFAULT作为其值 *
${var+OTHER}	如果var声明了, 那么其值就是$OTHER, 否则就为null字符串
${var:+OTHER}	如果var被设置了, 那么其值就是$OTHER, 否则就为null字符串
${var?ERR_MSG}	如果var没被声明, 那么就打印$ERR_MSG *
${var:?ERR_MSG}	如果var没被设置, 那么就打印$ERR_MSG *
${!varprefix*}	匹配之前所有以varprefix开头进行声明的变量
${!varprefix@}	匹配之前所有以varprefix开头进行声明的变量

加入了“*”
的意思是： 如果变量var已经被设置的话, 那么其值就是$var.

表达式	含义
${#string}	$string的长度
${string:position}	在$string中, 从位置$position开始提取子串
${string:position:length}	在$string中, 从位置$position开始提取长度为$length的子串
${string#substring}	从变量$string的开头, 删除最短匹配$substring的子串
${string##substring}	从变量$string的开头, 删除最长匹配$substring的子串
${string%substring}	从变量$string的结尾, 删除最短匹配$substring的子串
${string%%substring}	从变量$string的结尾, 删除最长匹配$substring的子串
${string/substring/replacement}	使用$replacement, 来代替第一个匹配的$substring
${string//substring/replacement}	使用$replacement, 代替所有匹配的$substring
${string/#substring/replacement}	如果$string的前缀匹配$substring, 那么就用$replacement来代替匹配到的$substring
${string/%substring/replacement}	如果$string的后缀匹配$substring, 那么就用$replacement来代替匹配到的$substring

说明："* $substring”可以是一个正则表达式.

性能比较