如何用Shell命令结合正则表达式统计文本中的ip地址数量

文章目录

- - 简介
  - 问题
  - 回答

简介

IP 地址（Internet Protocol Address）是互联网协议地址的简称，是互联网上为联网的设备（如计算机、服务器、路由器、手机等）分配的唯一标识符。IP 地址的主要功能是实现不同网络设备之间的通信，确保数据包能够准确无误地从源地址传输到目标地址。

IP 地址如同网络世界的门牌号码，为每个联网设备提供独一无二的身份标识。通过 IP 地址，数据包可以在全球范围的互联网中找到确切的目的地。IP 地址是 TCP/IP 协议栈中网络层的核心要素，为上层协议（如 TCP、UDP、HTTP、SSH 等）提供服务，实现应用程序间的网络通信。

存在两种主要版本的 IP 地址，IPv4 是最广泛使用的版本，采用 32 位二进制数表示，通常写为点分十进制形式，如 192.168.0.1。IPv6 是为应对 IPv4 地址耗尽而设计的新一代地址体系，使用 128 位二进制数表示，通常写为冒号分隔的十六进制数，如 2001:0db8:85c3:0000:0000:8a5e:0370:7339。人们说的 IP 地址通常是指 IPv4 地址。

问题

在运维工作中，一种常见需求是统计文件中 ip 地址的数量，比如统计服务器上指定日志文件中的 ip 数量。

那么如何用 shell 命令来完成这个任务呢？

回答

要使用 Bash 命令统计文本文件中 IP 地址串的数量，可以拆分为两个步骤：

使用 grep 配合正则表达式筛选 IP 地址：
使用 grep 命令配合能够匹配 IPv4 地址的正则表达式，从文本文件中筛选出所有 IP 地址。
计数筛选结果行数：
利用 wc -l 命令计算上一步筛选结果的行数，即可得到 IP 地址的总数。

将这两步结合在一起，起初想到的命令如下：

grep -oE '\b([0-9]{1,3}\.){3}[0-9]{1,3}\b' ip-addresses.txt | wc -l

命令解析：

grep：
- -o：只输出匹配到的部分，每一部分单独占一行。
- -E：使用扩展正则表达式（ERE），以便我们可以使用更简洁的正则写法。
- '\b([0-9]{1,3}\.){3}[0-9]{1,3}\b'：这是匹配 IPv4 地址的正则表达式，解释如下：
  * \b：单词边界，确保 IP 地址前后没有其他字符干扰。
  * ([0-9]{1,3}\.){3}：匹配连续三次的数字（1 到 3 位）后面跟着一个点号，即 IP 地址的前三段。
  * [0-9]{1,3}：匹配最后一段数字（1 到 3 位）。
  * 整个正则表达式目的是匹配点分十进制形式的 ip 地址。
ip-addresses.txt：被统计的文件名，使用时替换为待统计 IP 地址的文本文件的实际路径。
wc -l：
- wc 是 Word Count （词数统计）命令，用于计算行数、单词数、字符数等。
- -l 选项指定只计算行数，在这里就是统计出 IP 地址的个数。

执行上述命令后，Bash 会输出 ip-addresses.txt 文件中 IP 地址的总数。

我们编写一个待测试文件，内容如下：

192.168.1.27
0.0.0.0  1.22.3.123 1.234.34.0 123.45.6.78
address is 23.5.5.5_2.3.4.5_
192.168
172.18.19
123.4.12.259 22.333.0.100
1.22.233.4444
abc1.2.5.200  2.3.44.55ef

文件中符合预期的 ip 地址数量是 6。

使用上述命令测试，输出结果是 8，

在这里插入图片描述

分析上述可知命令将 123.4.12.259 22.333.0.100 这两个字符串判断为 ip 地址了。
如何修改命令中的正则表达式来避免这个错误呢？

我们知道，点分十进制形式的 ip 地址由三个点号分隔的四个十进制数组成，其中每个十进制的有效范围是 0~255。
经过搜索学习，笔者将命令改为

grep -oP '\b(([01]?\d\d?|2[0-4]\d|25[0-5])\.){3}([01]?\d\d?|2[0-4]\d|25[0-5])\b' ip-addresses.txt` | wc -l

-P: 选项启用 Perl 兼容的正则表达式（PCRE）。相比基本正则表达式，PCRE 提供了更丰富的功能和更灵活的匹配规则。
'\b(([01]?\d\d?|2[0-4]\d|25[0-5])\.){3}([01]?\d\d?|2[0-4]\d|25[0-5])\b': 这是用于匹配 IPv4 地址的 Perl 兼容正则表达式。解释如下：
- (([01]?\d\d?|2[0-4]\d|25[0-5])\.){3}: 重复 3 次的子模式，用于匹配 IP 地址的前三段。子模式内部结构如下：
  - ([01]?\d\d?|2[0-4]\d|25[0-5]): 三种可能的 IPv4 段值的组合，确保值在 0 到 255 之间。具体解释如下：
    - [01]?\d\d?: 匹配 0 到 199 之间的数，可以是一位、两位或三位数，这个模式如果匹配三位数则第一位只能是 0 或 1。
    - 2[0-4]\d: 匹配 200 到 249 之间的数，第一位固定是 2，第二位是 0 到 4 之间的数，第三位是任何数字。
    - 25[0-5]: 匹配 250 到 255 之间的数，第一位固定是 2，第二位是 5，第三位是 0 到 5 之间的数。
    - |: 上述三个子模式被竖线分开，表示“或”的关系。
  - \.: 匹配点号，作为十进制数之间的分隔符。
- ([01]?\d\d?|2[0-4]\d|25[0-5]): 类似于前面的子模式，用于匹配 IPv4 地址的最后一段，确保其值在 0 到 255 之间。