linux - 提取模式的最快方法

Question

从如下输入中提取感兴趣的子串的最快方法是什么？

MsgTrace(65/26)noop:user=xxx=INBOX:cmd=534
ImapFetchComplete(56/39)user=xxxxxxxxxx

所需的输出(即，在本例中，以 : 结尾的字符串位于 MsgTrace(65/26) 之后):

noop

我尝试了以下方法，但没有成功:

egrep -i "[a-zA-Z]+\(.*\)[a-z]+:"

Answer 1

grep 在给定输入行上找到匹配项时，默认返回整行。

虽然选项 -o 将输出限制为正则表达式匹配的行的那一部分，但这在这种情况下仍然不够，因为你想要一个 substring那场比赛。

但是，由于您使用的是 Linux，您可以使用 GNU grep 的 -P 选项(用于支持 PCREs，Perl 兼容的正则表达式) ，它允许通过 \K(删除目前匹配的所有内容)和 (?=...) 等功能提取子匹配 (对匹配没有贡献的前瞻断言):

$ grep -Po  "[a-zA-Z]\(.*\)\K[a-z]+(?=:)" <<'EOF'
MsgTrace(65/26)noop:user=xxx=INBOX:cmd=534
ImapFetchComplete(56/39)user=xxxxxxxxxx
EOF
noop  # output

---

可选背景信息:

Ed Morton指出(在一条已删除的评论中)GNU grep 的 man 页面仍然调用 -P 选项“高度实验性”，这可能“警告未实现的功能”，但该选项已经存在多年，实际上我还没有看到警告或性能问题 - YMMV。

在手头的案例中，上述命令甚至优于 sed 和 awk 解决方案 - 参见 NeronLeVelu's helpful performance comparison .

interesting article Ed points to discuss a potential performance problem can surface with regex engines such as used by grep -P (via the PCRE library), Perl 本身, 以及许多其他广泛使用的(和成熟的)正则表达式引擎，例如 Python、Ruby 和 PHP:

• 简而言之:这些引擎采用的递归回溯算法可能会导致“病态”正则表达式的严重性能下降，这些正则表达式将带有可变长度量词的长子表达式序列串在一起，例如(的较长版本)a ?a?a?a?aaaa 匹配 aaaa。
• 文章认为，仅当正则表达式包含反向引用时才真正需要回溯，如果不存在反向引用，则应采用不同的、更快的算法。