带有捕获组的正则表达式，用于由可变数量的单词组成的子字符串

Question

使用以下 Bash 脚本（改编自）：

#!/bin/bash

while IFS= read -r line || [[ -n "$line" ]]; do
if [[ "$line" =~ ^([[:alpha:]]+)[[:space:][:punct:]]+([[:alpha:][:space:]]+)[[:space:]]([[:digit:]+[mcg|mg|g][:space:][\/0-9a-zA-Z[：space：]]*])[\[]([[:digit:]]+)[\]]([[:alpha:]]*)$ ]]
then
 printf "Ingredient: %s\n" "${BASH_REMATCH[1]}"
 printf "Brand name: %s\n" "${BASH_REMATCH[2]}"
 printf "Strength: %s\n" "${BASH_REMATCH[3]}"
 printf "Pack size: %s\n" "${BASH_REMATCH[4]}"
 printf "Form: %s\n" "${BASH_REMATCH[5]}"
fi  
done < "${1:-/dev/stdin}"

我想匹配如下行（通过标准输入或通过作为第一个参数传递的文件提供）：

Calcipotriol - Daivonex Cream 50mcg/1g 30 g [1]
Candesartan cilexetil - Atacand 4mg [30] capsule
Danazol - Azol 100mg [100] 
Dexamethasone - Dexmethsone 0.5g [1] tablet

并将它们解析为 4-5 个字段。

例如，行 Calcipotriol - Daivonex Cream 50mcg/1g 30 g [1] 应按如下方式分成字段：

Calcipotriol（成分）
Daivonex Cream（品牌名称）
50mcg/1g 30 g（强度）
1（包装尺寸）
（空，因为[1]后面没有文字）（表格）

但是，当我运行我的脚本时，没有匹配。

这是独立的正则表达式（换行只是为了便于阅读）：
^([[:alpha:]]+)[[:space:][:punct:]]+([[:alpha:][:space:]]+)[[:space:]]([[:digit:]+[mcg|mg|g][:space:][\/0-9a-zA-Z[：space：]]*])[\[]([[:digit:]]+)[\]]([[:alpha:]]*)$

你能告诉我如何匹配50mcg/1g 30 g这样的字符串并在${BASH_REMATCH[4]}中捕获它吗？

Answer 1

与您的一样，awk 提供更易于维护且速度更快的解决方案:

awk是最好的选择，因为你的输入本质上是字段-based，将输入分解为字段是awk 闪耀的地方。要了解 awk，请参阅系统上的 awk POSIX spec 或运行 man awk 或 info awk。

^{为简单起见，并与样本输入一致，假设所有intra-line whitespace为spaces；如果制表符也应该匹配，则将正则表达式中的 </code> 实例替换为 <code>[[:blank:]]。}

awk -F' +- +|[][]' '
  { 
    name = ; sub(" +[0-9.]+(mc?)?g.*", "", name)
    strength = substr(, 1 + length(name)); sub("^ +", "", strength)
    form = ""
    if (NF > 3) { form = $NF; sub("^ +", "", form) }

    print "Ingredient:", 
    print "Brand name:", name
    print "Strength:  ", strength
    print "Pack size: ", 
    print "Form:      ", form
    print "---"
  }
' <<'EOF'
Calcipotriol - Daivonex Cream 50mcg/1g 30 g [1]
Candesartan cilexetil - Atacand 4mg [30] capsule
Danazol - Azol 100mg [100] 
Dexamethasone - Dexmethsone 0.5g [1] tablet
EOF

产量：

Ingredient: Calcipotriol
Brand name: Daivonex Cream
Strength:   50mcg/1g 30 g 
Pack size:  1
Form:       
---
Ingredient: Candesartan cilexetil
Brand name: Atacand
Strength:   4mg 
Pack size:  30
Form:       capsule
---
Ingredient: Danazol
Brand name: Azol
Strength:   100mg 
Pack size:  100
Form:       
---
Ingredient: Dexamethasone
Brand name: Dexmethsone
Strength:   0.5g 
Pack size:  1
Form:       tablet
---

这里有一个 纯 bash 尝试的固定和简化版本:

while IFS= read -r line || [[ -n "$line" ]]; do
  if [[ "$line" =~ ^([[:alpha:]][[:alpha:][:blank:]]*[[:alpha:]])[[:blank:][:punct:]]+([[:alpha:]][[:alpha:][:blank:]]*[[:alpha:]])[[:blank:]]+([^[]+)\[([0-9]+)\][[:blank:]]*([[:alpha:]]*)$ ]]
  then    
    printf "Ingredient: %s\n" "${BASH_REMATCH[1]}"
    printf "Brand name: %s\n" "${BASH_REMATCH[2]}"
    read -r strength <<<"${BASH_REMATCH[3]}"
    printf "Strength: %s\n" "$strength"
    printf "Pack size: %s\n" "${BASH_REMATCH[4]}"
    printf "Form: %s\n" "${BASH_REMATCH[5]}"
  fi  
done < "${1:-/dev/stdin}"

([[:alpha:]][[:alpha:][:blank:]]*[[:alpha:]]) 的实例用于捕获成分和品牌名称；该表达式捕获由白色 space 分隔的 letter-only 个单词的可变列表（在列表中包含一个 2 个字母的单词）。
简化的正则表达式避免了 mcg / mg / g 解析困难，匹配品牌名称后的所有内容，直到以下 [ （包大小的开始）使用 [^[]+，无论它包含多少 space；因为它包括尾随的白色space，read 后来被用来 trim 那。
- 如果您确实需要明确匹配 mcg / mg / g 以排除误报：
  - 将[^[]+替换为([[:digit:].]+(mcg|mg|g)[/0-9a-zA-Z[:space:]]*)
  - 将 $BASH_REMATCH 索引 5 替换为 6，并将 4 替换为 5，因为上面出于技术原因引入了一个新的捕获组 - 请参阅解释如下。
请注意如何使用 [:blank:]（匹配制表符或 space）代替 [:space:]，因为后者也匹配换行符，由此处没有定义。

您最初的尝试存在各种问题，其中一些问题已被Benjamin W.在问题评论中指出：

[mcg|mg|g] 应该是 (mcg|mg|g) 或 (mc?)?g，因为 [mcg|mg|g] 是一个 bracket expression：在这种情况下，一个 set 个字符，其中任何一个匹配一个单个字符，因此实际上你匹配一个单个 m、c、| 或 g 个字符。
[：space：] 使用 non-ASCII fullwidth colons，Bash 无法识别为一个字符 class.
本身不是问题，而是注意事项和简化机会：
- 您混合了 [:alpha:] 和 a-zA-Z，它们只能保证在 ASCII 范围内工作相同；要匹配外文字母，请坚持使用 [:alpha:]；相反，[:digit:] 可以假设匹配 non-ASCII 个数字，因此 [0-9] 可能是更安全的选择。
- 无需在 bash 中的 [...] 内转义 /，因为 / 不是正则表达式元字符，也不用作正则表达式 定界符 in bash.
- [\[] 和 [\]] 来表示文字 [ 和 ] 不必要地复杂；使用 \[ 和 \] 代替。
主要问题是您似乎对括号表达式的工作原理有误解。例如，[[:digit:]+[mcg|mg|g][:space:][/0-9a-zA-Z[:space:]]*] 是一个 ill-constructed 单个括号表达式，应该是多个独立的子表达式：
- [[:digit:].]+ - 匹配运行个数字 and/or . 的括号表达式（也匹配 0.5g，对于实例).
- (mcg|mg|g) - 带括号的子表达式（捕获组）使用交替 | 来匹配三个标记中的任何一个；请注意，在 bash 正则表达式 中使用 (...) 总是 创建一个捕获组，即使您只需要 precedence[=186= 的括号]，因此在索引 ${BASH_REMATCH[@]}.

有用于可视化和调试正则表达式的出色在线工具，它们也是出色的教学工具。一个例子是 regex101.com.

请注意，这些工具通常不直接支持（通常 platform-specific）在 bash 和各种 Unix 实用程序中发现的正则表达式方言，但选择 PCRE因为方言通常提供 superset.
需要注意的是，您需要知道您的特定实用程序支持哪些子集，否则您最终可能会得到一个仅适用于在线测试器的正则表达式。

可以找到 [[:digit:].]+(mcg|mg|g)[\/0-9a-zA-Z[:space:]]* 如何匹配 50mcg/1g 30 g 的演示 here。

[=113=Here 是上面针对完整示例输入行测试的固定 bash 解决方案的完整正则表达式。

带有捕获组的正则表达式，用于由可变数量的单词组成的子字符串

Regex with capture groups for substrings made up of a variable number of words

regex

linux

bash

capture-group