如何在Unix中使用sed与反向引用提取子串及处理文件内容

嗨，我来一步步帮你搞定sed反向引用的问题，不管是基础用法还是你提到的具体文件处理需求，都给你讲得明明白白～

一、先搞懂sed反向引用的核心逻辑 #

反向引用是sed正则里的实用技巧，简单说就是：用**括号()**把你想要提取的内容“捕获”成分组，然后用\1、\2、\3...来引用这些分组的内容（\1对应第一个括号里的内容，\2`对应第二个，以此类推）。

举个简单的入门例子：假设你有一串日期字符串2024-10-05，想提取出年份和月份，改成2024年10月的格式，用sed就能这么写：

echo "2024-10-05" | sed -E 's/^([0-9]{4})-([0-9]{2})-.*/\1年\2月/'

解释下：

• -E：启用扩展正则（不用给括号加反斜杠转义，写起来更舒服）
• ^([0-9]{4})：捕获行首的4位数字（年份），作为第1个分组\1
• -([0-9]{2})：捕获中间的2位数字（月份），作为第2个分组\2
• -.*/：匹配后面的-05及所有内容，替换时直接丢弃
• \1年\2月：把整个字符串替换成“年份+年+月份+月”的格式

执行后输出就是：2024年10月

二、针对你的具体需求：保留数字+公司名，输出指定格式 #

假设你的输入文件company_list.txt内容是这样的（和你举的例子对应）：

1 Walmart U.S.A.
2 SAP Germany
3 Apple Inc.

我们需要删除数字、公司名之外的所有内容，输出1.Walmart、2.SAP这种格式，用sed+反向引用可以这么写：

sed -E 's/^([0-9]+) ([A-Za-z]+)( .*)?$/\1.\2/' company_list.txt

逐部分解释这个命令： #

1. ^([0-9]+)：捕获行首的一串数字（比如1、2），作为第1个分组\1
2. ([A-Za-z]+)：捕获后面的公司名称（这里假设公司名是单个单词，比如Walmart、SAP），作为第2个分组\2
3. ( .*)?$：匹配行尾所有额外内容（包括空格、U.S.A.、Germany这些），这部分我们不需要，所以替换时直接忽略
4. \1.\2：把整行内容替换成“数字+.+公司名”的格式

执行这个命令后，输出就是你想要的：

1.Walmart
2.SAP
3.Apple

进阶：如果公司名包含多个单词怎么办？ #

比如输入文件里有4 Amazon Web Services North America这种行，我们需要保留Amazon Web Services，去掉后面的North America，可以调整正则，把公司名的匹配规则改成允许空格：

sed -E 's/^([0-9]+) ([A-Za-z ]+)( [^A-Za-z ].*)?$/\1.\2/' company_list.txt

这里([A-Za-z ]+)允许公司名包含空格，([^A-Za-z ].*)?$用来匹配从“非字母/空格”字符开始的后续内容（如果是空格后面跟着字母，就认为是公司名的一部分，直到遇到其他字符为止）。

注意：不同系统的sed差异 #

如果你用的是macOS的BSD sed，-E选项是对的；如果是Linux的GNU sed，用-r或者-E都可以，效果完全一致。

内容的提问来源于stack exchange，提问作者Av1541