Zeilen nach einem Muster filtern — ohne Kommandozeile

Was grep tut und welche Hälfte davon hier ist

grep liest einen Text Zeile für Zeile, prüft jede Zeile gegen ein Muster und gibt die passenden Zeilen aus. Die POSIX-Spezifikation definiert es so und definiert das Muster als regulären Ausdruck — eine kleine Sprache, in der ein Zirkumflex „Zeilenanfang“ heißt, ein senkrechter Strich „oder“, eckige Klammern „irgendeines dieser Zeichen“ und ein Plus „ein- oder mehrmals das Vorhergehende“. Die Umkehroption dreht den Test um und druckt die Zeilen, die nicht passten. Die Idee ist rund vierzig Jahre alt und immer noch der schnellste Weg, eine Frage an eine Logdatei zu stellen.

filter-lines setzt die Schleife und die Umkehroption um und hört dort auf. Die Mustersprache ist nicht umgesetzt, und vor allem ist sie nicht halb umgesetzt: Der eingetippte Begriff wird als Zeichenfolge verglichen, ganz und unverändert. Das ist ein legitimer Entwurf für ein Feld auf einer Webseite — die meisten, die eine Liste filtern, wollen Zeilen mit dem Wort Rechnung, keine Grammatik —, aber es heißt, dass beide Werkzeuge dieselbe Eingabe verschieden beantworten, und das Werkzeug, das dabei danebenliegt, sagt es nie.

Das leere Feld und warum es leer ist

Drei Muster liefen gegen dasselbe siebenzeilige Log. ^ERROR ergab nichts, obwohl zwei Zeilen mit ERROR beginnen, weil keine Zeile einen wörtlichen Zirkumflex gefolgt von den Buchstaben E, R, R, O, R enthält. ERROR|WARN ergab nichts, obwohl das Log von jedem eines hat, weil keine Zeile einen wörtlichen senkrechten Strich zwischen diesen beiden Wörtern enthält. [a-z]+ ergab nichts, aus demselben Grund: Keine Zeile enthält eine eckige Klammer. In jedem Fall war das Ausgabefeld schlicht leer. Nichts wurde hervorgehoben, nichts gemeldet, und nichts deutete an, dass der Begriff anders gelesen worden war als gemeint.

Das ist der Fehlermodus, auf den es ankommt, und er ist das Gegenteil dessen, was der Ausdruck „ungültige Regex“ nahelegt. Ein fehlerhaftes Muster ist der sichere Fall. Eine einzelne öffnende Klammer getippt — bei der eine Regex-Maschine einen Fehler über eine nicht geschlossene Gruppe werfen würde — behielt die Zeile mit einer Klammer und gab sie zurück. Ebenso ein einzelner Punkt, der in der Regex-Sprache „irgendein Zeichen“ heißt und hier „ein Punkt“: Bei einer Liste mit a.b und aXb kam nur a.b zurück. Ertappst du dich dabei, Regex-Syntax in dieses Feld zu tippen, ist der zu übende Reflex, die Ausgabe anzusehen und zu fragen, ob ein leeres Ergebnis plausibel ist — denn das Werkzeug fragt es nicht für dich.

Groß- und Kleinschreibung, Akzente und das Leerzeichen, das du nicht tippen wolltest

„Groß/Klein ignorieren“ ist ab Werk an und schreibt vor dem Vergleich sowohl die Zeile als auch den Begriff klein. Eine fünfzeilige Obstliste nach apple gefiltert behielt apple pie, APPLE juice und pineapple tart; mit ausgeschaltetem Schalter fiel APPLE juice weg und die anderen zwei blieben. Die pineapple-Zeile erinnert daran, dass dies ein Teilzeichenketten- und kein Worttest ist: apple steckt in pineapple, die Zeile passt also, und es gibt keine Option „ganzes Wort“, die das verhindert. Brauchst du Wortgrenzen, nimm die umgebenden Leerzeichen in den Begriff auf und nimm hin, dass dir das Wort am Zeilenanfang oder -ende entgeht.

Aus denselben Läufen kamen zwei kleinere Fallen. Ein führendes Leerzeichen im Begriff gehört zum Begriff: Dieselbe Liste nach Leerzeichen plus apple gefiltert ergab nichts, weil keine Zeile an der geprüften Stelle ein Leerzeichen vor diesem Wort hat. Und Akzente folgen der Regel aus dem Duplikat-Artikel: Ein Begriff, dessen Akzentbuchstabe als Buchstabe plus kombinierendes Zeichen geschrieben ist, fand nichts in einer Liste, deren Akzentbuchstabe ein einzelner Codepunkt ist, obwohl beide im Suchfeld identisch aussehen. Beides läuft auf dieselbe Disziplin hinaus: Was du getippt hast, wird exakt so verglichen, wie du es getippt hast, samt der Teile, die du nicht siehst.

Der Entfernen-Modus hinterlässt Löcher

Stell die Aktion auf „Treffer entfernen“, und das Werkzeug wirft jede Zeile mit deinem Begriff weg und behält alles andere — auch die Leerzeilen, denn eine Leerzeile enthält deinen Begriff nicht. Lass es über ein Log mit einer Leerzeile zwischen zwei Einträgen laufen, und die Leerzeile ist danach noch da. Das ist kein Fehler, sondern die ehrliche Lesart der Anweisung, aber das Ergebnis sieht selten so aus, wie man es erwartet hat, und eine gefilterte Datei mit einem Dutzend verwaister Lücken liest sich lästig. Die Abhilfe ist ein weiterer Schritt: remove-blank-lines über die Ausgabe laufen lassen.

Noch ein Verhalten, auf das man bauen kann: Ein leerer Begriff gibt deinen Text unverändert zurück, kein leeres Ergebnis. Das klingt selbstverständlich, aber die Gegenlesart — kein Begriff, also passt nichts, also kommt nichts heraus — wäre ebenso vertretbar und würde deine Eingabe jedes Mal stillschweigend leeren, wenn du das Feld für eine neue Suche löschst. Das Werkzeug wählt den sichereren Zweig, und das wurde geprüft: Mit leerem Feld kamen alle fünf Zeilen der Testliste zurück.

Was tun, wenn du wirklich ein Muster brauchst

Die meisten Musterfragen lassen sich als Teilzeichenkettenfragen umschreiben. „Zeilen, die mit einem Code beginnen“ wird zu „Zeilen, die diesen Code enthalten“ — lockerer, aber bei einem Log, in dem der Code ohnehin nur am Anfang steht, meist ausreichend. „Eines von zwei Wörtern“ wird zu zwei Durchgängen — nach dem ersten filtern, Ergebnis notieren, das Original nach dem zweiten filtern —, weil es keine Alternative gibt. „Ein Zeichenbereich“ wird meist zu mehreren Durchgängen oder gleich zu einem anderen Werkzeug. Braucht die Antwort wirklich eine Grammatik, lautet der ehrliche Rat: Ein Textfeld im Browser ist das falsche Instrument, das richtige ist ein Terminal oder ein Texteditor mit Regex-Suche.

Ein Vorbehalt zum Schwesterwerkzeug. find-and-replace nimmt auf derselben Website ebenfalls einen wörtlichen Begriff: Es escapet jedes Zeichen mit Sonderbedeutung, bevor es sein Muster baut — im Quelltext nachgelesen und bestätigt. Wolltest du damit einen Regex-Filter nachbauen, geht das also nicht. Die beiden Werkzeuge sind untereinander konsistent, das ist die gute Nachricht; keines von beiden ist grep, das ist die Nachricht, die du vorher brauchtest.

Häufige Fragen

Kann ich im Feld „Enthält“ einen regulären Ausdruck verwenden?

Nein. Der Begriff wird wörtlich verglichen, Zeichen für Zeichen, ohne Mustersprache dahinter. Das wurde an drei gewöhnlichen Mustern geprüft — einem Zeilenanfangsanker, einer Alternative und einer Zeichenklasse — und alle drei lieferten ein leeres Ausgabefeld ohne Meldung. Zu verinnerlichen ist, dass eine falsche Antwort hier genau wie eine richtige Antwort „nichts passte“ aussieht: Behandle ein leeres Ergebnis als Frage, nicht als Tatsache, tippe den Begriff ohne seine Syntaxzeichen erneut und sieh, ob Zeilen erscheinen.

Wie behalte ich nur die Zeilen, die mit etwas beginnen?

Zeilenanfang lässt sich hier nicht verlangen, denn es gibt keinen Anker. In der Praxis genügt die Teilzeichenketten-Variante meist: nach dem Code oder Präfix selbst filtern und Zeilen hinnehmen, die ihn woanders enthalten. Ob das vertretbar ist, hängt von deinen Daten ab, und du findest es billig heraus — einmal filtern, dann denselben Begriff im Entfernen-Modus laufen lassen und ansehen, was herauskam. Enthält der entfernte Haufen nichts Gewolltes, war die lockere Variante in Ordnung. Brauchst du den Anker wirklich, ist ein Texteditor mit Regex-Suche das passende Werkzeug.

Unterscheidet der Filter Groß- und Kleinschreibung?

Standardmäßig nicht. „Groß/Klein ignorieren“ ist beim Laden der Seite an — das Gegenteil der grep-Voreinstellung und das Gegenteil dessen, was ein Terminal-Gewohnter erwartet. Schalte es im selben Feld aus, wenn du die Unterscheidung brauchst: Eine Obstliste nach apple gefiltert behielt mit eingeschaltetem Schalter eine Zeile APPLE juice, und ausgeschaltet fiel diese Zeile weg, während die zwei kleingeschriebenen blieben. Gefaltet wird schlicht sprachunabhängig: akzentuierte Großbuchstaben werden korrekt behandelt, aber es geschieht nichts Besonderes für eine bestimmte Sprache.

Warum hat meine gefilterte Ausgabe Lücken?

Weil du „Treffer entfernen“ benutzt hast und dein Text Leerzeilen enthielt. Eine Leerzeile enthält deinen Begriff nicht, das Werkzeug behält sie also, und sie bleibt genau dort, wo sie war — jetzt umgeben von dem Platz, den die entfernten Zeilen einnahmen. remove-blank-lines über das Ergebnis laufen zu lassen schließt sie alle in einem Durchgang. Verkettest du mehrere Filter, mach die Leerzeilen-Bereinigung einmal am Ende statt nach jedem Schritt, denn jeder Entfernen-Durchgang öffnet neue Lücken.

Sagt mir das Werkzeug, wie viele Zeilen passten?

Es wird keine Zahl angezeigt; du bekommst die passenden Zeilen und sonst nichts. Brauchst du die Anzahl, führt der kürzeste Weg über einen Zeilenzähler auf dem Ergebnis oder über count-occurrences auf dem Originaltext mit demselben Begriff — im Hinterkopf, dass es Vorkommen zählt und eine Zeile deinen Begriff zweimal enthalten kann, die beiden Zahlen also berechtigt auseinandergehen dürfen. Willst du eigentlich die Zahl und nicht die Zeilen, ist count-occurrences der bessere Ausgangspunkt.