互信息mRMR特征选择实战：工业场景下的稳态筛选方法
2026/10/10 15:07:50
正则表达式是 grep、sed、awk 共同的"底层语言"。前面三篇反复提到 BRE、ERE、PCRE，这一篇把它们放一起讲透：元字符怎么写、转义差异在哪、贪婪和非贪婪怎么回事，再给几个能直接抄的实战模式。正则这东西不靠背，靠对照和练。
一、三种方言先看清楚
Linux 上常见的正则方言有三种，搞混了写出来的命令要么不匹配，要么报语法错：
| 方言 | 全称 | 谁在用 | 特点 |
|---|---|---|---|
| BRE | Basic Regular Expression 基本正则 | 默认grep、sed | `+ ? |
| ERE | Extended Regular Expression 扩展正则 | grep -E、sed -E、awk | 元字符直接写，不支持\d \w \s |
| PCRE | Perl Compatible Regular Expression | grep -P、rg、python -c、大多数现代语言 | 支持\d \w \s \b、非贪婪、零宽断言 |
一个直观对比：匹配"一个或多个数字"。
grep "[0-9]\+" app.log # BRE：+ 要加反斜杠 grep -E "[0-9]+" app.log # ERE：直接写 + grep -P "\d+" app.log # PCRE：\d 最简洁同一件事三种写法，差别就在于方言。
二、基础元字符表
| 元字符 | 含义 | 示例 |
|---|---|---|
. | 任意一个字符（除换行） | a.c匹配 abc、a1c |
^ | 行首 | ^error匹配行首是 error |
$ | 行尾 | log$匹配以 log 结尾 |
* | 前面那一项出现 0 次或多次 | ab*c匹配 ac、abc、abbc |
+ | 前面那一项出现 1 次或多次（ERE/PCRE） | ab+c匹配 abc、abbc，不匹配 ac |
? | 前面那一项出现 0 次或 1 次（ERE/PCRE） | colou?r匹配 color、colour |
[abc] | 字符类，匹配其中任意一个 | [aeiou]匹配元音 |
[^abc] | 取反，匹配不在其中的字符 | [^0-9]匹配非数字 |
[a-z] | 范围 | [A-Za-z]匹配字母 |
(...) | 分组，捕获（ERE/PCRE 直接写；BRE 要写\(...\)） | (ab)+匹配 abab |
\| | 或（ERE/PCRE） | cat\|dog匹配 cat 或 dog |
\ | 转义 | \.匹配真实的点 |
三、量词：*、+、?、{m,n}
量词决定"前面那个东西重复几次"。
| 写法 | 含义 |
|---|---|
* | 0 次或多次 |
+ | 1 次或多次 |
? | 0 次或 1 次 |
{n} | 正好 n 次 |
{n,} | 至少 n 次 |
{n,m} | n 到 m 次 |
BRE 下+ ? | () {}全是字面字符，要写得加反斜杠：\+、\?、\|、\(\)、\{n,m\}。ERE 下直接写。
grep -E "error [0-9]{3,5}" app.log # ERE：直接写 {3,5} grep "error [0-9]\{3,5\}" app.log # BRE：要加反斜杠四、分组、捕获和反向引用
把一段模式用括号包起来就是一个捕获组。后面可以用\1、\2引用它匹配到的内容。
比如把employees.csv里工号和姓名互换：
sed -E 's/^([0-9]+),([^,]+),/\2,\1,/' employees.csv([0-9]+)是第 1 个分组，([^,]+)是第 2 个分组。替换串里\1代表第一个分组匹配到的内容，\2代表第二个。
只分组不捕获的写法是(?:...)，但这是 PCRE 语法，BRE/ERE 不支持。
五、BRE vs ERE 转义差异对照表
这张表是本章核心，建议收藏：
| 元字符 | BRE 写法 | ERE 写法 | 含义 |
|---|---|---|---|
| 或 | a\|b | a\|b或a\|b | 匹配 a 或 b |
| 分组 | \(ab\)+ | (ab)+ | 把 ab 看成整体 |
| 一次或多次 | ab\+ | ab+ | b 重复 ≥1 次 |
| 0 次或 1 次 | ab\? | ab? | b 出现 0 或 1 次 |
| 重复 n 次 | a\{3\} | a{3} | a 正好 3 次 |
| 重复 n 到 m 次 | a\{2,4\} | a{2,4} | a 重复 2~4 次 |
| ` | ()+?{}` | 字面字符 | 元字符 |
规律一句话：BRE 里的元字符在 ERE 里直接写；BRE 想把它们当元字符用，必须加反斜杠。
写脚本时最省事的做法：只要用到任何量词和括号，直接grep -E或sed -E，从源头避开转义噩梦。
六、POSIX 字符类
在[...]里面还有一套 POSIX 定义的字符类，跨语言一致性比[0-9]、[a-z]更好：
| 写法 | 等价于 | 含义 |
|---|---|---|
[[:alnum:]] | [A-Za-z0-9] | 字母数字 |
[[:alpha:]] | [A-Za-z] | 字母 |
[[:digit:]] | [0-9] | 数字 |
[[:lower:]] | [a-z] | 小写字母 |
[[:upper:]] | [A-Z] | 大写字母 |
[[:space:]] | 空白字符 | 空格、Tab、换行 |
[[:punct:]] | 标点符号 | — |
[[:xdigit:]] | [0-9a-fA-F] | 十六进制字符 |
注意它必须写在[]里：[[:digit:]]是"任意数字"，而[:digit:]单独写只是个普通字符列表，含义完全不同。这是新手高频坑。
grep -E "[[:digit:]]{4}" employees.csv # 匹配连续 4 位数字七、PCRE 扩展：grep -P 才有的东西
ERE 已经够用了，但遇到复杂需求 PCRE 才舒服：
| 写法 | 含义 |
|---|---|
\d | 数字，等价[0-9] |
\D | 非数字 |
\w | 单词字符，等价[A-Za-z0-9_] |
\W | 非单词字符 |
\s | 空白（空格、Tab、换行） |
\S | 非空白 |
\b | 单词边界（不占字符，只是个位置） |
(?=...) | 正向前瞻：后面必须匹配 ... |
(?!...) | 负向前瞻：后面不能匹配 ... |
(?:...) | 非捕获分组 |
*?、+? | 非贪婪量词 |
示例：用 \b 做全词匹配
grep -P "\berror\b" app.log这能匹配error、error:这种独立单词，但不会匹配terror、errors。grep -w也能做类似的事，\b在脚本里更灵活。
八、贪婪与非贪婪原理
默认情况下，正则量词是贪婪的：能多吃就多吃。
拿一段文本：<div>hello</div><div>world</div>，模式是<div>.*</div>。
- 贪婪匹配：
.*从第一个<div>一直吃到最后一个</div>，结果是整段。 - 非贪婪匹配：
.*?吃到第一个</div>就停，结果是<div>hello</div>。
echo '<div>hello</div><div>world</div>' | grep -oP '<div>.*?</div>'预期输出：
<div>hello</div> <div>world</div>去掉?，结果会变成一整行。这个差别在提取 HTML、XML、JSON 片段时是天壤之别。
非贪婪只在 PCRE 里有，ERE 不支持。
九、实战案例
案例 1：提取 IPv4 地址
grep -oE '([0-9]{1,3}\.){3}[0-9]{1,3}' access.log这个模式能抓出所有形如192.168.1.10的字符串。它不验证 IP 合法性（999.999.999.999也能匹配），但日志里够用。要严格合法 IP 得写更长的模式，日志场景没必要。
案例 2：从 Nginx 日志提取状态码和 URL
awk '{ status[$9]++ } END { for (s in status) print s, status[s] }' access.log这其实是 awk 的活。正则单独做这事更脆，因为 Nginx 日志里 URL 里可能含引号和空格。
案例 3：邮箱匹配（够用版）
grep -oE '[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}' emails.txt想做"严格符合 RFC 5322"的邮箱正则长得根本没法看，实际场景用这种宽松版就够。
案例 4：把日志里的手机号脱敏
sed -E 's/1[3-9][0-9]{9}/1**********/g' app.log11 位手机号（第二位 3~9）全部替换成掩码。
案例 5：找代码里 TODO/FIXME
grep -rnE "(TODO|FIXME|XXX):" src/十、⚠️ 常见错误
- 点号没转义。匹配
192.168.1.1时写成grep "192.168.1.1"，点号被当成"任意字符"，把192x168y1z1也匹配出来。匹配真实的点永远写\.。 - 在 BRE 里写
+、?、|。结果要么匹配不到，要么把它们当字面字符搜。养成"用复杂正则就加-E"的习惯。 - 字符类写反。
[0-9]是数字，^[0-9]是"行首是数字"，[^0-9]是"非数字"。^在[]里面和外面含义完全不同。 - 贪婪模式翻车。提取 HTML/JSON 时用
.*，结果一次吞掉整段。不确定时直接加?改成非贪婪。 - 把
\d写进grep。grep "\d+" file在大多数系统上匹配不到任何东西，因为 grep 默认 BRE 不认识\d。要写grep -P "\d+"。 - 多行匹配问题。
.默认不匹配换行。要跨行匹配，PCRE 用(?s)打开"点匹配换行"模式，或者用[\s\S]代替.。
十一、知识扩展：什么时候该跳出 grep/sed 用 PCRE 工具
正则方言这事说到底是个工程取舍：
- 简单替换、找行：
grep、sed默认 BRE 就够，别给自己加戏。 - 要分组、或、量词：直接
grep -E、sed -E。 - 要
\d \w \b、非贪婪、零宽断言：上grep -P，或者干脆用 Python 一行：
python3 -c 'import re,sys; [print(m.group()) for line in sys.stdin for m in re.finditer(r"\b\d{1,3}(?:\.\d{1,3}){3}\b", line)]' < access.log- 搜代码库：装个
rg（ripgrep），默认 PCRE2 开关，速度快 10 倍以上。 - JSON/HTML/XML 解析：别用正则。
jq、pup、xmllint这些专门的解析器比正则健壮一个数量级。用正则抠 HTML 的人，到后来都会回来用解析器。
正则是把利器，但它不是万能。知道什么时候该放下正则，比会写多复杂的正则更值钱。