如何仅捕获字符串的开头和结尾，同时避免匹配正则表达式的中间？

Question

我试图使用 grep 命令捕获匹配的正则表达式的开头和结尾，但我不希望捕获字符串的中间部分。

这是字符串：

href="file:///home/user/file" added="2023-09-07T21:58:58Z" modified="2023-09-07T22:27:45Z" visited="2023-09-07T21:58:58Z"

我想捕获

<bookmark href="file:///home/user/file"

，排除

 added="2023-09-07T21:58:58Z" modified="2023-09-07T22:27:45Z"

并捕获

visited="2023-09-07T21:58:58Z">

为了做到这一点，我尝试了以下 grep 命令：

$ grep -oP -m 10 'href="file:///.*(?="\sadded=".*visited=").*'

这是标准输出：

href="file:///home/user/file" added="2023-09-07T21:58:58Z" modified="2023-09-07T22:27:45Z" visited="2023-09-07T21:58:58Z">

这不是我正在寻找的捕获的字符串，因为

 added="2023-09-07T21:58:58Z" modified="2023-09-07T22:27:45Z"

存在

我认为前瞻表达式

(?="\sadded=".*visited=")

不会更改字符串匹配位置，这就是为什么下面的

.*

捕获字符串的中间，但我不确定。

Answer 1

正则表达式匹配始终是要匹配的字符串的连续子字符串，因此旨在匹配单个模式的

grep

命令不适合该任务。

可以改用awk，将字段分隔符设置为

'='

，将输入输出记录分隔符设置为空格，这样就可以方便地按第一个字段过滤记录了：

awk -F'=' -vRS=' ' -vORS=' ' '$1!~/added|modified/'

演示：https://awk.js.org/?snippet=97Xo5e

Answer 2

你可以做类似的事情

grep -o -e '^<bookmark href="[^"]*"' -e 'visited="[^"]*"$>' file

但对于更一般的情况，

grep

似乎完全是错误的工具。

sed -n 's/^\(<bookmark href="[^"]*"\).*\(visited="[^"]*"\)$>/\1\n\2/p' file

一如既往，如果您正在处理 HTML / XML，更好的方法是使用实际的 XML 解析器。