103.7 Lektion 1

Es gibt einen weiteren Atomtyp mit dem Namen Klammerausdruck. Obwohl nicht ein einzelnes Zeichen, werden Klammern [] (einschließlich ihres Inhalts) als ein einzelnes Atom betrachtet. Ein Klammerausdruck ist normalerweise nur eine Liste von literarische Zeichen, die von [] umschlossen sind, so dass das Atom mit jedem einzelnen Zeichen aus der Liste übereinstimmt. Zum Beispiel kann der Ausdruck [1b] in den beiden Zeichenketten abcd und a1cd gefunden werden. Um Zeichen anzugeben, denen das Atom nicht entsprechen soll, muss die Liste mit ^ beginnen, wie in [^1b]. Es ist auch möglich, Zeichenbereiche in Klammerausdrücken anzugeben. Zum Beispiel entspricht [0-9] den Ziffern 0 bis 9 und [a-z] jedem Kleinbuchstaben. Die Verwendung von Bereichen ist mit Vorsicht zu genießen, da diese in verschiedenen Gebietsschemata möglicherweise nicht konsistent sind.

Klammerausdruckslisten akzeptieren auch Klassen anstelle von Einzelzeichen und Bereichen. Traditionelle Zeichenklassen lauten:

Zeichenklassen können mit Einzelzeichen und Bereichen kombiniert werden, dürfen aber nicht als Endpunkt eines Bereichs verwendet werden. Außerdem dürfen Zeichenklassen nur in Klammerausdrücken verwendet werden, nicht als unabhängiges Atom außerhalb von Klammern.

Die Reichweite eines Atoms, entweder eines einzelnen Zeichenatoms oder eines Klammeratoms, kann mit Hilfe eines Atomquantifizierer skaliert werden. Atomquantifier definieren Atomsequenzen, d.h. Übereinstimmungen treten auf, wenn eine zusammenhängende Wiederholung für das Atom in der Zeichenkette gefunden wird. Die Teilzeichenfolge, die der Übereinstimmung entspricht, wird als Teil bezeichnet. Ungeachtet dessen werden Quantifizierer und andere Merkmale regulärer Ausdrücke unterschiedlich behandelt, je nachdem, welcher Standard verwendet wird.

Nach der Definition von POSIX gibt es zwei Formen von regulären Ausdrücken: “einfache” reguläre Ausdrücke und “erweiterte” reguläre Ausdrücke. Die meisten textbezogenen Programme in jeder herkömmlichen Linux-Distribution unterstützen beide Formen, daher ist es wichtig, ihre Unterschiede zu kennen, um Kompatibilitätsprobleme zu vermeiden und die am besten geeignete Implementierung für die beabsichtigte Aufgabe auszuwählen.

Der *-Quantifizierer hat die gleiche Funktion sowohl in einfachen als auch in erweiterten REs (Atom kommt garnicht oder öfter vor) und ist ein buchstäbliches Zeichen, wenn er am Anfang des regulären Ausdrucks steht oder wenn ihm ein Backslash \ vorangestellt ist. Mit dem Pluszeichen-Quantifikator + werden Teile ausgewählt, die ein oder mehrere aufeinanderfolgende Atomübereinstimmungen enthalten. Mit dem Fragezeichen-Quantifizierer ? wird eine Übereinstimmung erzielt, wenn das entsprechende Atom einmal oder gar nicht vorhanden ist. Wenn ein Backslash \ vorangestellt ist, wird ihre besondere Bedeutung nicht berücksichtigt. Einfache reguläre Ausdrücke unterstützen auch + und ? Quantifikatoren, aber diesen muss ein Backslash vorangestellt werden. Im Gegensatz zu erweiterten regulären Ausdrücken sind + und ? buchstäbliche Zeichen in einfachen regulären Ausdrücken.

Eine Grenze ist ein Atomquantifikator, der es, wie der Name schon sagt, einem Benutzer erlaubt, präzise Mengengrenzen für ein Atom festzulegen. In erweiterten regulären Ausdrücken kann eine Grenze in drei Formen notiert werden:

In jedem Fall wird, wenn eine Teilzeichenkette mit einem regulären Ausdruck übereinstimmt und eine längere Teilzeichenkette, die an der gleichen Stelle beginnt, ebenfalls übereinstimmt, die längere Teilzeichenkette berücksichtigt.

Einfache reguläre Ausdrücke unterstützen auch Grenzen, aber den Begrenzungen muss ein \ vorangestellt werden: \{ und \}. { und } werden von sich aus als buchstäbliche Zeichen interpretiert. Ein \{, gefolgt von einem anderen Zeichen als einer Ziffer, ist ein buchstäbliches Zeichen und nicht der Anfang einer Begrenzung.

Einfache reguläre Ausdrücke unterscheiden sich von den erweiterten regulären Ausdrücken auch in einem weiteren wichtigen Aspekt: Ein erweiterter regulärer Ausdruck kann in Zweige (branch) unterteilt werden, von denen jeder ein unabhängiger regulärer Ausdruck ist. Zweige werden durch | getrennt, und der kombinierte reguläre Ausdruck wird auf alles passen, was einem der Zweige entspricht. Zum Beispiel wird he|him übereinstimmen, wenn entweder die Teilzeichenkette he oder him in der untersuchten Zeichenkette enthalten ist. Einfache reguläre Ausdrücke interpretieren | als ein buchstäbliches Zeichen. Die meisten Programme, die einfache reguläre Ausdrücke unterstützen, erlauben jedoch Verzweigungen mittels \|.

Ein erweiterter regulärer Ausdruck, der in () eingeschlossen ist, kann in einer Rückreferenz verwendet werden. Zum Beispiel wird ([[:digit:]])\1 mit jedem regulären Ausdruck übereinstimmen, der sich mindestens einmal wiederholt, weil das \1 im Ausdruck den Rückverweis auf einen Teil darstellt, das mit dem ersten eingeklammerten Teilausdruck übereinstimmt. Wenn mehr als ein eingeklammerter Teilausdruck im regulären Ausdruck existiert, kann auf diese mit \2, \3 usw. verwiesen werden.

Bei einfachen REs müssen die Teilausdrücke von \( und \) umschlossen werden, wobei ( und ) selbst nur gewöhnliche Zeichen darstellen. Der Indikator für Rückverweies wird wie in erweiterten regulären Ausdrücken verwendet.

Der unmittelbare Nutzen, den reguläre Ausdrücke bieten, besteht darin, die Suche auf Dateisystemen und in Textdokumenten zu verbessern. Die Option -regex des Befehls find erlaubt es, jeden Pfad in einer Verzeichnishierarchie gegen einen regulären Ausdruck zu testen. Zum Beispiel,

sucht nach Dateien, die größer als 100 Megabyte (100 Einheiten von 1048576 Bytes) sind, aber nur in Pfaden innerhalb des Homeverzeichnisses des Benutzers, die eine Übereinstimmung mit .*/\..* enthalten, d.h. ein /. umgeben von einer beliebigen anderen Anzahl von Zeichen. Mit anderen Worten, es werden nur versteckte Dateien oder Dateien innerhalb versteckter Verzeichnisse aufgelistet, unabhängig von der Position von /. im entsprechenden Pfad. Für reguläre Ausdrücke ohne Berücksichtigung der Groß-/Kleinschreibung sollte stattdessen die Option -iregex verwendet werden:

In diesem Beispiel enthält der reguläre Ausdruck Zweige (im erweiterten Stil notiert), um nur bestimmte Schriftartendateien unter der Verzeichnishierarchie /usr/share/fonts aufzulisten. Erweiterte reguläre Ausdrücke werden standardmäßig nicht unterstützt, aber find erlaubt es, diese mit -regextype posix-extended oder -regextype egrep zu aktivieren. Der RE-Standard für find ist findutils-default, welcher nahezu ein einfacher Klon eines regulären Ausdrucks darstellt.

Oft ist es notwendig, die Ausgabe eines Programms an den Befehl less zu übergeben, wenn diese nicht auf den Bildschirm passt. Der Befehl less teilt seine Eingaben in Seiten auf, eine Bildschirmseite nach der anderen, so dass der Benutzer leicht durch den Text auf und ab navigieren kann. Darüber hinaus erlaubt less dem Benutzer auch, auf regulären Ausdrücken basierende Suchvorgänge durchzuführen. Diese Funktion ist besonders wichtig, weil less der Standardpager ist und für viele alltägliche Aufgaben verwendet wird, wie z.B. für die Inspektion von Journaleinträgen oder die Konsultation von Handbuchseiten. Beispielsweise kann beim Lesen einer Handbuchseite durch Drücken der Taste / die Suchaufforderung geöffnet werden. Dies ist ein typisches Szenario, in dem reguläre Ausdrücke nützlich sind, da die Befehlsoptionen im allgemeinen Handbuchseitenlayout sich über mehrere Seiten erstrecken. Dieselbe Option könnte jedoch mehrmals im Text vorkommen, so dass eine wörtliche Suche nicht zum Erfolg führt. Unabhängig davon springt die Eingabe von ^[[:blank:]]*-o — oder einfacher: ^ *-o — in der Suchaufforderung nach Drücken der Eingabetaste sofort zur Option des Abschnitts -o (falls vorhanden), so dass man eine Optionsbeschreibung schneller konsultieren kann.