识别 Bash 脚本中文件扩展名的正则表达式模式不准确以捕获压缩文件

Posted 2023-03-06

【中文标题】识别 Bash 脚本中文件扩展名的正则表达式模式不准确以捕获压缩文件

【英文标题】：Regex pattern that recognises file extension in Bash script not accurate to capture compressed files

【发布时间】：2019-01-08 15:08:07

【问题描述】：

我创建了这个有一个参数（文件名）的小 Bash 脚本，该脚本应该根据文件的扩展名做出响应：

#!/bin/bash

fileFormat=$1

if [[ $fileFormat =~ [Ff][Aa]?[Ss]?[Tt]?[Qq]\.?[[:alnum:]]+$ ]]; then
    echo "its a FASTQ file";
elif [[ $fileFormat =~ [Ss][Aa][Mm] ]]; then
    echo "its a SAM file";
else
    echo "its not fasta nor sam";
fi

它是这样运行的：

sh script.sh filename.sam

如果它是一个 fastq（或 FASTQ、或 fq、或 FQ 或 fastq.gz（压缩）），我希望脚本告诉我“它是一个 fastq”。如果是 sam，我想让它告诉我它是 sam，如果不是，我想告诉我它既不是 sam 也不是 fastq。

问题：当我没有考虑 .gz（压缩）场景时，脚本运行良好并给出了我预期的结果，但是当我尝试添加最后一部分时发生了一些事情考虑这种情况（见第三行，它说的部分 .?[[:alnum:]]+ ）。这部分的意思是“在文件名中，在扩展名之后（在这种情况下为fastq），后面可能有一个点加上一些单词”。

我的输入是这样的：

sh script.sh filename.fastq.gz

而且它有效。但如果我说： sh script.sh 文件名.fastq

它说它不是 fastq。我想把最后一部分作为可选的，但如果我添加一个“？”最后它不起作用。有什么想法吗？谢谢！ 我的问题是修复该部分以适用于这两种情况。

【问题讨论】：

抱歉，我刚刚编辑了问题。现在你可以看到它了

尝试将\.?[[:alnum:]]+更改为(?:\.[[:alnum:]]+)?

抱歉，请参阅新的编辑。很抱歉给您带来不便，我在完成帖子之前不小心提交了问题，之后我不得不通过编辑完成它。

用file(1)而不是名字怎么样？

使用shopt -s nocasematch 进行不区分大小写的正则表达式匹配，而不是使用[Ff]

【参考方案1】：

你可以使用这个正则表达式：

fileFormat="$1"

if [[ $fileFormat =~ [Ff]([Aa][Ss][Tt])?[Qq](\.[[:alnum:]]+)?$ ]]; then
    echo "its a FASTQ file"
elif [[ $fileFormat =~ [Ss][Aa][Mm]$ ]]; then
    echo "its a SAM file"
else
    echo "its not fasta nor sam"
fi

这里(\.[[:alnum:]]+)? 使最后一组可选，即点后跟1+ 字母数字字符。

当你运行它时：

./script.sh filename.fastq
its a FASTQ file

./script.sh fq
its a FASTQ file

./script.sh filename.fastq.gz
its a FASTQ file

./script.sh filename.sam
its a SAM file

./script.sh filename.txt
its not fasta nor sam

【讨论】：

这就是我一直在寻找的（因为它解决了我的代码的特定问题）。非常感谢 ！！ :)

这仍然会在文件名中的任何位置查找“sam”，不是吗？所以“samba.txt”会匹配。

如果你把 $ 放在最后 ([Ss][Aa][Mm]$) 它适用于 sam 后跟单词结尾的情况（因此不考虑以下情况它在文件名的中间）

既然是“fastq”或“fq”，不应该是[Ff]([Aa][Ss][Tt])?[Qq]吗？

非常有效的点@BenjaminW.，否则它会将filename.ftq 也标记为FASTQ 文件。现已编辑，谢谢。

【参考方案2】：

直接的问题是您需要在.fastq 之后至少有一个[[:alnum:]] 字符。使用* 而不是+，这本身很容易解决。

不过，对于这个问题，Regex 并不是一个特别令人满意的解决方案。

case $fileFormat in
    *.[Ff][Aa][Ss][Tt][Qq] | *.[Ff][Aa][Ss][Tt][Qq].*)
        echo "$0: $fileFormat is a FASTQ file" >&2 ;;
    *.[Ss][Aa][Mm] )
        echo "$0: $fileFormat is a SAM file" >%2 ;;
esac

可一直移植到原始 Bourne sh。在 Bash 4.x 中，您可以在比较之前将文件名小写，以简化 glob 模式。

还要注意诊断如何包含脚本名称并打印到标准错误而不是标准输出。

【讨论】：

不错的便携想法，但 OP 也需要匹配 .FQ 或 .fq，不是吗？

是的，但这也适用于 .FQ 和 .fq。我喜欢它，但它也会识别文件名的某些部分中的 fastq，而不一定是单词的最后一个位置。这就是为什么我试图使用另一种方式（也将 $ 放在最后和其他东西上，而不是让它捕捉接下来发生的任何事情）。但是对于这个简单的脚本来说是一个不错的解决方案