Standard grep
/ pcregrep
etc. 可以方便地与二进制文件一起用于 ASCII 或 UTF8 数据 - 是否有一种简单的方法可以让它们也尝试 UTF16(最好同时尝试,但会这样做)?
无论如何,我试图获取的数据都是 ASCII(库中的引用等),它只是找不到,因为有时任何两个字符之间都有 00,有时没有。
我看不出有任何方法可以在语义上完成它,但是这些 00 应该可以解决问题,除非我不能在命令行上轻松使用它们。
最简单的方法是将文本文件转换为 utf-8 并将其通过管道传输到 grep:
iconv -f utf-16 -t utf-8 file.txt | grep query
我试图做相反的事情(将我的查询转换为 utf-16),但似乎 grep 不喜欢那样。我认为这可能与字节序有关,但我不确定。
似乎 grep 会将 utf-16 的查询转换为 utf-8/ascii。这是我尝试过的:
grep `echo -n query | iconv -f utf-8 -t utf-16 | sed 's/..//'` test.txt
如果 test.txt 是一个 utf-16 文件,这将不起作用,但如果 test.txt 是 ascii 则它确实有效。我只能得出结论,grep 正在将我的查询转换为 ascii。
编辑:这是一个非常疯狂的工作,但没有给你非常有用的信息:
hexdump -e '/1 "%02x"' test.txt | grep -P `echo -n Test | iconv -f utf-8 -t utf-16 | sed 's/..//' | hexdump -e '/1 "%02x"'`
它是如何工作的?好吧,它将您的文件转换为十六进制(没有 hexdump 通常适用的任何额外格式)。它通过管道将其输入 grep。Grep 使用的查询是通过将您的查询(不带换行符)回显到 iconv 中构建的,iconv 将其转换为 utf-16。然后将其通过管道传输到 sed 以删除 BOM(用于确定字节顺序的 utf-16 文件的前两个字节)。然后将其通过管道传输到 hexdump,以便查询和输入相同。
不幸的是,我认为如果只有一个匹配项,这最终会打印出整个文件。如果二进制文件中的 utf-16 存储在与您的机器不同的字节序中,这也将不起作用。
EDIT2:知道了!!!!
grep -P `echo -n "Test" | iconv -f utf-8 -t utf-16 | sed 's/..//' | hexdump -e '/1 "x%02x"' | sed 's/x/\\\\x/g'` test.txt
这将在文件中搜索字符串的十六进制版本Test
(在 utf-16 中)test.txt
我发现以下解决方案最适合我,来自https://www.splitbits.com/2015/11/11/tip-grep-and-unicode/
Grep 不能很好地与 Unicode 配合使用,但可以解决。例如,要查找,
Some Search Term
在 UTF-16 文件中,使用正则表达式忽略每个字符中的第一个字节,
S.o.m.e. .S.e.a.r.c.h. .T.e.r.m
另外,告诉 grep 将文件视为文本,使用“-a”,最终命令如下所示,
grep -a 'S.o.m.e. .S.e.a.r.c.h. .T.e.r.m' utf-16-file.txt
您可以在搜索字符串中显式包含空值 (00s),尽管您会得到带有空值的结果,因此您可能希望将输出重定向到一个文件,以便您可以使用合理的编辑器查看它,或者通过 sed 将其通过管道传输到替换空值。在 *.utf16.txt 中搜索“bar”:
grep -Pa "b\x00a\x00r" *.utf16.txt | sed 's/\x00//g'
"-P" 告诉 grep 接受 Perl 正则表达式语法,它允许 \x00 扩展为 null,而 -a 告诉它忽略 Unicode 看起来像二进制的事实。
我在转储 Windows 注册表后一直使用这个,因为它的输出是 unicode。这是在 Cygwin 下运行的。
$ regedit /e registry.data.out
$ file registry.data.out
registry.data.out: Little-endian **UTF-16 Unicode text**, with CRLF line terminators
$ sed 's/\x00//g' registry.data.out | egrep "192\.168"
"Port"="192.168.1.5"
"IPSubnetAddress"="192.168.189.0"
"IPSubnetAddress"="192.168.102.0"
[HKEY_LOCAL_MACHINE\SYSTEM\ControlSet001\Control\Print\Monitors\Standard TCP/IP Port\Ports\192.168.1.5]
"HostName"="192.168.1.5"
"Port"="192.168.1.5"
"LocationInformation"="http://192.168.1.28:1215/"
"LocationInformation"="http://192.168.1.5:80/WebServices/Device"
"LocationInformation"="http://192.168.1.5:80/WebServices/Device"
"StandaloneDhcpAddress"="192.168.173.1"
"ScopeAddressBackup"="192.168.137.1"
"ScopeAddress"="192.168.137.1"
"DhcpIPAddress"="192.168.1.24"
"DhcpServer"="192.168.1.1"
"0.0.0.0,0.0.0.0,192.168.1.1,-1"=""
[HKEY_LOCAL_MACHINE\SYSTEM\CurrentControlSet\Control\Print\Monitors\Standard TCP/IP Port\Ports\192.168.1.5]
"HostName"="192.168.1.5"
"Port"="192.168.1.5"
"LocationInformation"="http://192.168.1.28:1215/"
"LocationInformation"="http://192.168.1.5:80/WebServices/Device"
"LocationInformation"="http://192.168.1.5:80/WebServices/Device"
"StandaloneDhcpAddress"="192.168.173.1"
"ScopeAddressBackup"="192.168.137.1"
"ScopeAddress"="192.168.137.1"
"DhcpIPAddress"="192.168.1.24"
"DhcpServer"="192.168.1.1"
"0.0.0.0,0.0.0.0,192.168.1.1,-1"=""
"MRU0"="192.168.16.93"
[HKEY_USERS\S-1-5-21-2054485685-3446499333-1556621121-1001\Software\Microsoft\Terminal Server Client\Servers\192.168.16.93]
"A"="192.168.1.23"
"B"="192.168.1.28"
"C"="192.168.1.200:5800"
"192.168.254.190::5901/extra"=hex:02,00
"00"="192.168.254.190:5901"
"ImagePrinterPort"="192.168.1.5"
ripgrep
使用ripgrep
实用程序grep UTF-16 文件。
ripgrep 支持以 UTF-8 以外的文本编码搜索文件,例如 UTF-16、latin-1、GBK、EUC-JP、Shift_JIS 等。(提供了一些自动检测 UTF-16 的支持。其他文本编码必须用
-E
/专门指定--encoding flag.
)
示例语法:
rg sometext file
要转储所有行,请运行:rg -N . file
。
我需要递归地执行此操作,这就是我想出的:
find -type f | while read l; do iconv -s -f utf-16le -t utf-8 "$l" | nl -s "$l: " | cut -c7- | grep 'somestring'; done
这绝对是可怕的而且非常缓慢;我确定有更好的方法,我希望有人可以改进它——但我很着急:P
碎片的作用:
find -type f
给出一个文件名的递归列表,其中包含相对于当前路径的文件名
while read l; do ... done
重击循环;对于文件路径列表的每一行,将路径放入$l
并在循环中执行操作。(为什么我使用 shell 循环而不是 xargs,这样会快得多:我需要在输出的每一行前面加上当前文件的名称。如果我正在喂食,我想不出办法做到这一点一次将多个文件发送到 iconv,并且由于无论如何我将一次处理一个文件,因此 shell 循环更容易语法/转义。)
iconv -s -f utf-16le -t utf-8 "$l"
转换名为 in 的文件$l
:假设输入文件是 utf-16 little-endian 并将其转换为 utf-8。这-s
使得 iconv 关闭任何转换错误(会有很多,因为此目录结构中的某些文件不是 utf-16)。此转换的输出到标准输出。
nl -s "$l: " | cut -c7-
这是一个技巧:nl
插入行号,但它恰好有一个“使用此任意字符串将数字与行分开”参数,因此我将文件名(后跟冒号和空格)放入其中。然后我cut
用来去掉行号,只留下文件名前缀。(为什么我不使用sed
: 转义更容易这种方式。如果我使用 sed 表达式,我不得不担心文件名中有正则表达式字符,在我的情况下有很多。nl
比sed
,并且将-s
完全按照字面意思获取参数,shell 会为我处理转义。)
所以,在这个管道结束时,我已经将一堆文件转换为 utf-8 行,以文件名为前缀,然后我 grep。如果有匹配项,我可以从前缀中判断它们在哪个文件中。
注意事项
grep -R
,因为我正在为每个文件生成iconv
, nl
,cut
和的新副本。grep
这太糟糕了。grep -R
以及此命令(如果您有多种 unicode 编码类型,例如一些 big-endian 和一些 little-endian 文件,则需要调整此命令并针对每种不同的编码再次运行它)。ugrep(通用 grep)完全支持 Unicode、UTF-8/16/32 输入文件,检测无效的 Unicode 以确保正确的结果,显示文本和二进制文件,并且快速且免费:
ugrep搜索 UTF-8/16/32 输入和其他格式。选项
--encoding
允许搜索许多其他文件格式,例如 ISO-8859-1 到 16、EBCDIC、代码页 437、850、858、1250 到 1258、MacRoman 和 KOI8。
有关详细信息,请参阅GitHub 上的 ugrep。
sed 语句超出了我的理解范围。我有一个简单的、远非完美的 TCL 脚本,我认为它在我的测试点之一上做得很好:
#!/usr/bin/tclsh
set insearch [lindex $argv 0]
set search ""
for {set i 0} {$i<[string length $insearch]-1} {incr i} {
set search "${search}[string range $insearch $i $i]."
}
set search "${search}[string range $insearch $i $i]"
for {set i 1} {$i<$argc} {incr i} {
set file [lindex $argv $i]
set status 0
if {! [catch {exec grep -a $search $file} results options]} {
puts "$file: $results"
}
}
我将此作为评论添加到上面已接受的答案中,但为了使其更易于阅读。这允许您在一堆文件中搜索文本,同时还显示它正在查找文本的文件名。所有这些文件都有一个 .reg 扩展名,因为我正在搜索导出的 Windows 注册表文件。只需将 .reg 替换为任何文件扩展名。
// Define grepreg in bash by pasting at bash command prompt
grepreg ()
{
find -name '*.reg' -exec echo {} \; -exec iconv -f utf-16 -t utf-8 {} \; | grep "$1\|\.reg"
}
// Sample usage
grepreg SampleTextToSearch
您可以使用以下 Ruby 的单线:
ruby -e "puts File.open('file.txt', mode:'rb:BOM|UTF-16LE').readlines.grep(Regexp.new 'PATTERN'.encode(Encoding::UTF_16LE))"
为简单起见,这可以定义为 shell 函数,如:
grep-utf16() { ruby -e "puts File.open('$2', mode:'rb:BOM|UTF-16LE').readlines.grep(Regexp.new '$1'.encode(Encoding::UTF_16LE))"; }
然后以类似 grep 的方式使用它:
grep-utf16 PATTERN file.txt