103.7 - Realizar búsquedas en archivos de texto usando expresiones regulares

Importancia	3
Descripción	El candidato debe ser capaz de manipular archivos y cadenas de texto usando expresiones regulares. El objetivo incluye la creación de expresiones re\ gulares sencillas que contengan varios elementos de notación así como el uso de herramientas para realizar búsquedas con expresiones regulares dentr\ o de un sistema de archivos o del contenido de un archivo.

Áreas de conocimiento clave:

• Crear expresiones regulares sencillas que contengan varios elementos de notación.

• Saber diferenciar las expresiones regulares básicas de las extendidas.

• Entender los conceptos de caracteres especiales, clases de caracteres, cuantificadores y anclas.

• Usar herramientas para realizar búsquedas con expresiones regulares dentro de un sistema de archivos o del contenido de un archivo.

• Usar las expresiones regulares para borrar, modificar o reemplazar texto.

Contenidos

Regular expressions (REGEX)

Hacen referencia a cadenas de texto, se utilizan dentro del contenido de alguna cosa. Caracteres especiales que nos sirve para definir patrones de cadenas de texto. Es importante por que en linux todo es un fichero y toda la información es texto, saber filtrar y encontrar nos interesa.

grep ".ancho" el_quijote.txt 

Aquí el "." hace referencia a cualquier carácter. Esto es importante por que Linux es sensitive case pero cuidado por que al usar con el punto significa sancho, Sancho, pancho, ancho...

recuerda que con grep -i nos saltamos el case sensitive.

ls -l | grep sess*

Aquí le están entrando datos de entrada y sigue evaluando como cadena de texto, por lo tanto es una expresión regular.

BASIC REGEX

• ^ -> inicio de línea

• $ -> fin de línea

• " * " -> de 0 a N veces el carácter anterior

• " . " -> cualquier carácter n veces

• [A-B] -> rango de valores

Por ejemplo

grep [Ss]ancho mini_quijote.txt pero es mas fácil hacerlo con grep -i

Ejemplo de uso

Vamos a usar un ejemplo, vamos a instalar squid, un servidor caché, este tiene un archivo de configuración de 9155 líneas (wc -l /etc/squid/squid.conf)

Nos interesa ver que líneas no están comentadas.

Se puede usar grep -v para invertir la selección pero quitara todas las lineas con ese carácter, incluso si no son comentarios.

grep -v "^#" sample.conf 

Inicio de linea seguido de almohadilla para quitar todas.

Al volver a revisar con esto:

grep -vn "^#" /etc/squid/squid.conf | wc -l 

Ahora nos sigue mostrando 470 líneas que siguen siendo muchas pero por que aparecen líneas en blanco con espacios vacíos.

grep -n "^$" sample.conf

Esto revisa todas aquellas cadenas que tienen un inicio de linea seguido de un fin de linea (se puede ver los finales de linea con cat -e sample.conf)

grep -vn "^#" /etc/squid/squid.conf | grep -v "^$" | wc -l 

Al contar ahora se queda con 34 líneas pero siguen quedándonos dos que no queremos por que tienen líneas con espacios en blanco (vuelve a revisar con cat -e). Ahora usaremos la tercera expresión regular que es *

grep -n "^ *$" sample.conf 
#Cuidado por que las lineas en blanco tambien cumplen este patron al ser de 0 a N veces.
grep -n "^,*$" sampe.conf

Con el ".*" podemos agarrarlo todo, sin filtro.

grep -n ".*" sample.conf

Por lo tanto, para filtrar de verdad todas deberemos:

grep -vn "^#" /etc/squid/squid.conf | grep -v "^ *$" | wc -l 

Con esto ya obtenemos las 32 líneas, sin espacios en blanco.

Diferencias entre REGEX y Fileglobbing con wildcards

Característica	File Globbing con Wildcards	Expresiones Regulares (Regex)
Uso principal	Coincidencia de nombres de archivos y rutas en la terminal.	Coincidencia de patrones en textos generales.
Donde se usa	Shells como Bash, Zsh, Fish (en ls, cp, rm, etc.).	Herramientas como grep, sed, awk, perl, python, etc.
Simplicidad	Más simple y directo.	Más complejo y poderoso.
Wildcards comunes	* (cualquier cosa), ? (un solo carácter), [abc] (conjunto de caracteres).	.* (cualquier cosa), \d (dígito), [a-z] (rango), \b (borde de palabra).
Jerarquía de directorios	Entiende / y distingue archivos y carpetas.	No entiende jerarquía de archivos.
Expresividad	Limitada a patrones simples.	Puede incluir grupos, repeticiones, lookaheads, etc.
Compatibilidad	Funciona en shells y scripts de sistema.	Compatible con múltiples lenguajes y herramientas.

---

Orígenes y Evolución

1. File Globbing (Wildcards)

   • Surge en los primeros sistemas Unix en los años 70, en el shell de Thompson y el Bourne shell (sh).

   • Su objetivo era facilitar la búsqueda y manipulación de archivos en la terminal.

   • Se llama "globbing" porque expande los patrones antes de ejecutarse en un comando.

2. Expresiones Regulares (Regex)

   • Fueron inventadas por Stephen Kleene en 1951 como parte de la teoría de autómatas.

   • Fueron implementadas en Unix en los años 70 en herramientas como grep, sed y awk.

   • Se popularizaron más con Perl y posteriormente con lenguajes como Python, JavaScript y Java.

---

Ejemplos Comparativos

Propósito	File Globbing	Expresión Regular
Buscar archivos .txt	*.txt	.*\.txt$
Buscar archivos que empiecen con "log"	log*	^log.*
Buscar archivos con un solo carácter extra (a.txt, b.txt, pero no ab.txt)	?.txt	^.txt$
Buscar archivos file1.txt, file2.txt, file3.txt	file[1-3].txt	file[1-3]\.txt

EXTENDED REGEX

No todos los comandos aceptan extended regex, uno que sí es grep que admite extended regex pero usando la opción -E

• + -> De 1 a N veces el carácter anterior

• ? -> De 0 a 1 vez el carácter anterior

Vamos a ver un ejemplo, partiendo del siguiente archivo:

sample.conf

,
,,,,,
,,, ,,,,

grep -nE "^,*$" sample.conf -> cumple para las tres líneas ya que es 0 o n.

grep -nE "^,+$" sample.conf -> la coma tiene que aparecer 1 a n veces, solo se cumple la 2a y 3a líneas.

grep -nE "^,?$" sample.conf -> la coma tiene que aparecer 0 o una vez solo, solo se cumple la primera y segunda línea.

Resumen grep

Command chaining

&& (AND)

El operador && solo ejecutará el segundo comando si el primero tiene éxito. Si el primer comando se ejecuta con un estado de salida cero (0), el segundo comando se ejecutará; de lo contrario, no lo hará.

mkdir demo && cd demo

|| (OR)

&

;

! (NOT)

| (Pipe)

\

( )

{ }