使用egrep批量验证文件中邮箱的正则表达式问题排查

咱们来一步步拆解你这个egrep命令的问题，看看为啥会误匹配那些不符合规则的邮箱：

你的命令存在的几个关键错误： #

• 正则未用引号包裹，导致shell篡改了你的规则
  你写的正则没有用单/双引号括起来，shell会把\.+解析成.+（因为无引号环境下反斜杠会被当作转义符去掉）。原本你想匹配点号，结果变成了匹配任意一个或多个字符，这直接导致大量不符合的字符串被误匹配。

• 缺少首尾锚定符，导致部分匹配也被选中
  你的正则没有加^（字符串开头）和$（字符串结尾），egrep会默认匹配字符串中任意符合规则的子片段，而不是整个邮箱地址。比如2anell@utp.ac.pa里的anell@utp.ac.pa子片段符合规则（去掉转义问题后），所以整个字符串被误判为匹配。

• 名字/姓氏的匹配范围太窄
  你用[a-z]只匹配单个小写字母，但名字和姓氏显然是一个或多个字母组成的，应该用[a-z]+来匹配。

• 点号的匹配逻辑错误
  你用\.+匹配一个或多个点号，但需求里明确是名字和姓氏之间只有一个点号，应该用\.（单个转义后的点号）即可。

• 域名部分的匹配完全错误
  ["utp.ac.pa"]是正则的字符集语法，意思是匹配u、t、p、.、a、c、"中的任意一个字符，而不是匹配完整的utp.ac.pa域名。另外域名里的.需要转义，因为正则中.是匹配任意字符的通配符。

修正后的正确命令： #

把正则用单引号括起来，同时修正所有规则错误，最终命令如下：

egrep -E '^[a-z]+\.[a-z]+[0-9]*@utp\.ac\.pa$' test.txt

正则规则解释： #

• ^：强制匹配字符串的开头，避免开头有无关字符（比如2anell@...这种）
• [a-z]+：匹配一个或多个小写字母（名字部分）
• \.：匹配名字和姓氏之间的那个点号（转义后表示字面量的点）
• [a-z]+：匹配一个或多个小写字母（姓氏部分）
• [0-9]*：匹配0个或多个数字（可选的重名后缀，允许没有数字）
• @utp\.ac\.pa：匹配固定的域名，每个.都转义成字面量点
• $：强制匹配字符串的结尾，避免结尾有多余字符

这样修改后，就能准确匹配anell.zheng@utp.ac.pa，同时排除test4@utp.ac.pa（缺少名字姓氏间的点号）、2anell@utp.ac.pa（开头有数字且无点号分隔）这类不符合规则的邮箱了。

内容的提问来源于stack exchange，提问作者user9712208