regex - 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this answer）：

#!/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}"

我想匹配以下行（通过stdin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]应该被分成如下字段：
Calcipotriol（成分）
Daivonex Cream（品牌名称）
50mcg/1g 30 g（强度）
1（包装尺寸）
（空，因为后面没有文本）
但是，当我运行脚本时，没有匹配的内容。
这里是单独的regex（换行符只是为了可读性）：
[1]
你能告诉我如何匹配一个字符串，比如 ^([[:alpha:]]+)[[:space:][:punct:]]+([[:alpha:][:space:]]+)[[:space:]]([[:digit:]+[mcg|mg|g][:space:][\/0-9a-zA-Z[：space：]]*])[\[]([[:digit:]]+)[\]]([[:alpha:]]*)$并在 50mcg/1g 30 g中捕获它吗？

Answer 1

与您的previous question一样，awk提供了一个更易于维护、速度更快的解决方案：
awk是最好的选择，因为您的输入基本上是基于字段的，而将输入分解为字段是awk的亮点。要了解awk，请参阅系统上的awk POSIX spec或运行man awk或info awk。
为了简单起见，并与示例输入保持一致，所有行内空白都假定为空格；如果还应该匹配制表符，则将regex中的实例替换为[[:blank:]]。

awk -F' +- +|[][]' '
  { 
    name = $2; sub(" +[0-9.]+(mc?)?g.*", "", name)
    strength = substr($2, 1 + length(name)); sub("^ +", "", strength)
    form = ""
    if (NF > 3) { form = $NF; sub("^ +", "", form) }

    print "Ingredient:", $1
    print "Brand name:", name
    print "Strength:  ", strength
    print "Pack size: ", $3
    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
---

以下是您的pure 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；表达式捕获由空白分隔的纯字母单词的变量列表（列表中包含一个单字母单词）。
简化的regex通过使用 mcg匹配品牌名称后面的所有内容，直到使用 mg匹配下面的 g（包大小的开始），从而避免了 [/ [^[]+解析困难，不管它包含多少空格；因为这包括尾随空格， read稍后将用于修剪。
如果确实需要显式匹配以排除误报：
将 mcg替换为 mg
将 gindex [^[]+替换为 ([[:digit:].]+(mcg|mg|g)[/0-9a-zA-Z[:space:]]*)，将 $BASH_REMATCH替换为 5，因为出于技术原因，上面引入了一个新的捕获组-请参阅下面的说明。
请注意如何使用 6（匹配制表符或空格）来代替 4，因为后者还匹配新行，根据定义，新行在此不存在。
您最初的尝试存在各种问题，其中一些问题已经由 Benjamin W.在对该问题的评论中指出：
5应该是 [:blank:]或 [:space:]，因为 [mcg|mg|g]是一个 bracket expression：在这种情况下，任何一个字符都匹配单个字符，这样实际上就匹配单个 (mcg|mg|g)、 (mc?)?g、 [mcg|mg|g]或 m字符。
c使用非ASCII fullwidth colons，Bash无法将其识别为字符类的一部分。
不是问题本身，而是警告和简化机会：
你混合了 |和 ，这只保证在ASCII范围内工作；与外文匹配，坚持 g；反之， [：space：]可以假设匹配非ASCII数字，因此 [:alpha:]可能是更安全的选择。
不需要在 a-zA-Z中的 [:alpha:]内转义 [:digit:]，因为 [0-9]不是regex元字符，也不用作 /中的regex分隔符。
[...]和 bash表示文字 /和 bash是不必要的复杂；请使用 [\[]和 [\]]代替。
主要的问题是你似乎对括号表达式的工作方式有一个误解。例如， [是一个构造错误的单括号表达式，它应该是多个独立的子表达式：
]-一个括号表达式，用于匹配一系列数字和/或 \[（例如，也用于匹配 \]）。
[[:digit:]+[mcg|mg|g][:space:][/0-9a-zA-Z[:space:]]*]一个括号化的子表达式（捕获组），使用交替< cc>匹配三个令牌中的任何一个；注意，在 [[:digit:].]+正则表达式中使用 .总是创建一个捕获组，即使只需要括号优先，那么当索引为 0.5g时，您需要说明这个值。
(mcg|mg|g)-另一个括号表达式，它匹配由 |字符、十进制数字、ASCII字母和空白字符组成的任何（可能为空）字符运行。
然后，连接这些子表达式时应匹配字符串，如 (...)，您可以按如下方式验证该字符串：
bash
有很好的在线工具可以可视化和调试正则表达式，它们也是很好的教学工具。一个例子是 regex101.com。
注意，这些工具通常不直接支持 ${BASH_REMATCH[@]}和各种Unix实用程序中的（通常是平台特定的）regex方言，但是选择 [/0-9a-zA-Z[:space:]]*作为方言通常会提供一个超集。
需要注意的是，您需要知道您的特定实用程序支持哪些子集，否则您最终可能会得到一个只在联机测试仪中工作的regex。
/如何匹配 50mcg/1g 30 g的演示可以找到 here。
Here是来自上述固定 [[ '50mcg/1g 30 g' =~ [[:digit:].]+(mcg|mg|g)[/0-9a-zA-Z[:space:]]* ]] && echo "MATCHED: >>>${BASH_REMATCH[0]}<<<"溶液的完整regex，对照完整样本输入行进行测试。