由程序生成的数据通常会比生成它的程序有更长的存活期，文本文件能够很容易地从一个系统传输到另一个系统。本文将探讨PowerShell操作文件的机制、如何读取不同的数据格式并生成自己的数据，以及如何使用正则表达式从文本块中获取数据。
1 读取内容
在PowerShell中，Get-Content和Set-Content这两个cmdlet分别用于获取和设置原始二进制文件。默认情况下，这两个命令用于操作文本文件。图1所示为使用Get-Content获取文件内容。
图1 使用Get-Content获取文件内容
Get-Content以行为单位返回一个字符串数组，每个数组元素中包含一行内容。图2所示为返回5个元素的字符串数组的文件内容。
图2 通过Get-Content返回以5个元素的字符串数组的文件内容
从图中可以看到，返回值为数组形式。如果操作的文件内容为每行一个条目存在，则使得记录操作非常方便。
如果需要获取整个文件内容并转换为一个独立的字符串形式，则使用[string]::Join()静态方法。这个方法将字符串数组用分隔符连接为单个字符串，这里的分隔符为换行符。不同系统会使用不同的字符来作为换行符，如Windows使用回车换行符（在PowerShell中使用`r`n作为转义字符），在Unix系统中使用换行符（`r），苹果机上使用回车符（`n）。当前PowerShell仅应用在Windows系统中，可以使用`r`n作为换行的分隔符。但是最好从系统中获取分隔符，如果将来PowerShell在其他操作系统中有相应的解释引擎，则现在编写的所有脚本均可在其中无障碍地应用。从.NET环境中获取换行符需要访问静态属性[System.Envoironment]::NewLine。
下面创建一个通用脚本Get-ContentAsString.ps1，以字符串形式读取文件内容：
Param($Path)
$lines = Get-Content -Path $Path
$newLine = [System.Environment]::NewLine
$content = [String]::Join($newLine,$lines)
$content
图3所示为使用上述脚本读取infoOfPeople.txt文件并检查其中返回值的方法。
图3 使用Get-Content以字符串形式读取文件的方法
在读取的文件中包含52个字符，其中前7个字符用换行符分隔组成字符串“Sun WuK”。
Get-Content能够同时从多个文件中获取文本，当为Get-Content传递的对象是文件集合时，则返回所有的文件内容，内容是经过合并后的文件内容。图4所示为使用这个cmdlet获取当前目录中所有*.txt文件的内容，在获取之前列出目录。可以看到当前目录下有两个txt文件，分别是前面演示的实例文件infoOfPeople.txt和test.txt。
图4 使用Get-Content获取当前目录中所有*.txt文件的内容
也可以通过传递通配符给Get-Content读取同样的内容，如图5所示。
图5 向Get-Content传递通配符读取多个文件
由于前面创建的Get-ContentAsString.ps1是基于Get-Content的功能封装的，所以它具有Get-Content的所有属性，为其传递通配符给参数$Path的结果如图6所示。
图6 为Get-ContentAsString.ps1传递通配符给参数$Path的结果
前面使用Get-Content获取的是字符串的集合，这里返回的是单一的字符串。为了验证二者的不同，构造两个如图7所示的表达式。
图7 两个表达式
2 写入内容
Set-Content的-Value参数指定要写入文件的对象（另一个-Path参数指定保存文件的路径），可以用管道输出代替。如果指定的参数是对象，则会调用其中内置的ToString()方法转换为字符串保存到文件中；如果指定的是集合，则会枚举其中的所有成员并分别赋值给单独的对象。图8所示为将两个文件的内容写入到一个文件中。
图8 用Set-Content转换对象将两个文件的内容写入到一个文件中
能够看到从dir命令获取的FileInfo对象用其中内置的ToString()方法返回了文件的全路径。
需要注意的是Set-Content具有破坏性，如果要写入的文件已经存在，则将被新写入的内容覆盖。所以在使用Set-Content之前一定要确认目标路径是否存在同名文件，如果存在，则确认文件是否覆盖；否则将会丢失原有数据。
要在已有文件尾添加新的内容，需要使用到Add-Content这个cmdlet，其参数与Set-Content相同。图9所示为使用Add-Content在texts.txt尾添加新的内容。
图9 使用Add-Content在texts.txt尾添加新的内容
上例中直接将dir命令的输出用管道传递给Add-Content，相当于将dir命令的输出赋值给-Value参数并执行Add-Content操作。
PowerShell支持两种输出重定向操作符，允许用户将命令输出保存在文件中。>操作符将会传递当前对象给文件并覆盖其原有文件的内容，示例如图10所示。
图10 使用>输出重定向操作覆盖文件原有文件内容的示例
>>操作符的功能与>类似，但它在原有文件尾添加新的内容，其示例如图11所示。
图11 使用>>在原有文件尾添加新内容的示例
能够看到>和>>操作符的功能分别与Set-Content和Add-Content类似，不同在于重定向操作将输入对象用管道传递给PowerShell的格式化机制，而Set-Content和Add-Content用其本身具有的ToString()方法。
3 指定编码方式
计算机首选的文字格式如美国信息交换标准码（ASCII）只是适用于用单字节标识字符，从而限制了能够表达的字符数量。这种编码只是用于标识拉丁字符，而对于其他字符，如古斯拉夫文字、希伯来文字、阿拉伯文字、中文、日文和韩文等则无能为力；这就是Unicode标准化组织要制定新的一套文字编码标准来表示所有字符集的原因。
Get-Content和Set-Content这类cmdlet支持通过使用-Encoding参数指定编码方式来读写文件，该参数的取值如下。
（1）Unkonwn：未指定编码方式，默认为Unicode编码方式。
（2）String：内容作为Unicode字符串处理，等同于Unicode编码方式。
（3）Unicode：在.NET框架和PowerShell中将字节顺序（endianness）为低地址存放最低有效字节的16位的Unicode编码作为默认字符串格式（这里的字节顺序Little Endian取决于底层硬件架构采用Intel的x86系列CPU，如果采用Motorola的PowerPC系列CPU，则使用Big Endian方式，即低地址存放最高有效字节。请参阅相关文档），本章后面将会详细介绍不同字节顺序下的Unicode编码方式。
（4）Byte：返回字节数组，适用于以二进制形式读写一个文件。
（5）BigEndianUnicode：类似Unicode，但是使用Big Endian字节顺序。
（6）UTF8：使用Unicode统一编码标准的UTF-8编码方式。
（7）UTF7：使用Unicode统一编码标准的UTF-7编码方式。
（8）Ascii：每字符使用8位ASCII编码返回文件内容，仅用于英文字符。
其中的常用值是Byte、Unicode、UTF8和Ascii。
3.1 获取二进制内容
操作文件的有效方法是字节数组方式，这种方式允许用户修改文件中的任何的内容。图12所示为ASCII方式写字符串序列到文件中，然后以字节方式读出。
图12 用不同编码方式读写文件
这里将字符串序列“aaaabbb”以特定编码方式写入到文件中，当以字节方式读出文件内容后显示的内容分别是4个a和3个b的ASCII码值，即添加了两个原来并未写入的ASCII值分别为10（回车）和13（换行）的字符。这两个字符由Set-Content自动添加，以标识文件结束。
【提示】
Set-Content自动添加换行符对于文本文件的影响可能并不明显，但是如果需要文件内容无换行，则需要注意，唯一能够避免Set-Content自动添加换行符的方法是使用字节(Byte)编码方式并以字节数组的形式赋值文件内容。
当需要以十六进制形式显示字节值时会经常操作字节，另外所有关于二进制数据文件的操作均使用十六进制处理。下面创建一个名为“Format-AsHex.ps1”的脚本，使用-f字符串格式化操作符格式化所有用管道传递的数字，代码如下：
process
{
"{0:X}" -f $_
}
使用这个脚本处理之后的ASCII数据如图13所示。
图13 结果之后的数据
可以看到十六进制的a是61，b是62，回车符是D，换行符是A。
3.2 不同Unicode编码
本节将使用不同编码保存文件，然后使用工具来查看二进制数据，这样即可看到.NET中不同编码之间的关系。首先从.NET标准的Unicode编码开始，保存字符串序列到文件中并读出，执行结果如图14所示。
图14 执行结果
根据标准，Unicode格式的文本文件始于由字节顺序唯一标识的字节序列，称为“字节顺序标志”（Byte Order Mark，BOM）。BOM是必要的，因为有些系统使用两个字节表示一个数据，如字符“A”的码值以0061的形式表示，如同正常的数学符号；另一种情况反转了字节的顺序，将其表示为6100，这两种表示方式分别称为“Big Endian”和“Little Endian”。基于Intel系列CPU和.NET框架均使用后者，在.NET中称为“采用Unicode编码”。与此相对应的方式是Big Endian Unicode，文件开始包含的BOM的内容是FFFE。
下面查看相同序列如何采用Big Endian Unicode编码方式，以及其中的如何组织字节，如图15所示。
BOM中包含FEFF，字符“A”被表示为0061。
图15 采用Big Endian Unicode编码方式
Unicode和Big Endian Unicode编码使用两个字节编码每个字符，从而在表示英文字符时不可避免地浪费一个字节。UTF-8的编码使用一个字节编码一个英文字符，使用两个或多个字节编码其他语言字符解决这个问题。图16所示为采用UTF8编码方式保存文件。
图16 采用UTF8编码方式
这样缩短了文件长度，在aaabb之前添加的3位称为“UTF-8的BOM序列”。UTF-8格式不存在顺序问题，但是需要指定BOM序列，这样程序可以用其检测文本文件是否使用UTF-8编码。
【提示】
UTF-8的BOM的3个符号曾在网页和文本文件中出现过，即。EFBBBF这个序列是个可印刷字符，不知道如何处理UTF-8编码的程序通常将其显示给用户。
下面编写一个名为“Detect-Encoding.ps1”的脚本读取文件开始的前3个字节，并与已知的BOM标志值比较。如果匹配某种特征，则输出相应的编码名；否则作为ASCII文件来处理。其代码如下：
param ($Path)
$start = Get-Content -Path $Path -Encoding Byte -TotalCount 3
$utf8BOM = "{0:X}{1:X}{2:X}" -f $start
$utf16BOM = "{0:X}{1:X}" -f $start
if ($uft8BOM -eq "EFBBBF")
{
Write-Host "UTF-8"
exit
}
if ($uft16BOM -eq "FFFE")
{
Write-Host "Unicode"
exit
}
if ($uft16BOM -eq "FEFF")
{
Write-Host "Big Endian Unicode"
exit
}
Write-Host "No BOM detected. Encoding is most likely ASCII."
代码中为Get-Content传递了-TotalCount参数，以仅提取前3个字节，然后将其格式化为十六进制并检测序列是否满足UTF8的BOM。如果不满足，则格式化前两个字节并分别与Unicode和Big Endian Unicode的BOM序列比较。图17所示为检测之前生成的文本文件的编码方式。
图17 检测之前生成的文本文件的编码方式
【提示】
Unicode协会的主页地址是http://www.unicode.org/，其中包含完整的Unicode标准的规范。该标准针对主题分别定义，所以非常冗长，不易阅读。言简意赅且浅显易懂地介绍文字编码主题的文章可以在Joel Spolsky的文章“The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!)”中看到，这篇文章可以在http://www.joelonsoftware.com/articles/Unicode.html网页中找到。需要为读者介绍的另外一种编程方面的技能就是要学会如何通过Internet找到前人已经总结的经验和规律，这些经验和规律可能浅显易懂。但是如果由读者自己来验证，则有一定难度。可以在他人的基础上学习，这样才能以最小的代价最快地达成目标。
4 从文本中提取数据
一般情况下很难分割和提取文本文件中包含的数据，这是因为其中包含一定数量的空格或其他分隔符。使用正则表达式可以快速定位到目标字符串，并提出相应的内容。
【提示】
关于正则表达式的更多信息可以访问在线资源http://www.regular-expressions.inf，其中涵盖了多种语言和环境中正则表达式的使用方法。有关.NET正则表达式内容的在线资源可访问http://www.regular-expressions.info/dotnet.html。尽管正则表达式在各个平台上或多或少有些相似，但是在不同的语言中有很多细微的差别，在使用正则表达式之前需要仔细核对表达式和语言种类是否匹配。
4.1 查找符合正则表达式的匹配
通过指定\d+为正则表达式来描述一个数字，这意味着“一个或多个数字符号”。调用正则表达式的Matches()方法将返回一个匹配对象的集合，可以通过检测每个匹配中的Success属性来判断匹配成功与否。如果成功，则可以通过第1个Group对象的Value属性得到匹配成功的具体值。下面创建一个名为“Extract-Numbers.ps1”的脚本，代码如下：
$nums = .\Get-ContentAsString.ps1 .\test_numbers.txt
$numberMatcher = [regex] "\d+"
$matches = $numberMatcher.Matches($nums)
foreach ($match in $matches)
{
if ($match.Success)
{
$number = $match.Groups[0].Value
Write-Host "number:$number"
}
}
需要强调的是第1个组的下标从索引0开始，图18所示为执行结果。
图18 执行结果
该脚本中操作的文本文件只要包含数字，即可过滤。
4.2 查找文件中的字符串
PowerShell中的Select-String是一个内置cmdlet，用其可以查找文件中的字符串或满足特定正则表达式的记录。熟悉Unix的读者可以使用grep的工具，在Windows下则可以使用findstr工具。
Select-String的参数-Pattern用于指定要查找的字符串或满足特定正则表达式的记录，-Path参数指定要查找的文件名或通配符。为了验证这个cmdlet的功能，搜索当前目录中所有包含“if”字符串的脚本文件，如图19所示。
图19 使用Select-String搜索当前目录中所有包含“if”字符串的脚本文件
获取的结果是一个MatchInfo的对象集合，其中包含发现匹配存在的文件和行数信息，图20所示为获取的信息行、文件名和路径。
图20 获取的信息行、文件名和路径
正则表达式是个非常有用的工具，尽管存在一定的复杂性，但是对于以后高效使用PowerShell很有帮助。而且一旦掌握了某门语言的正则表达式，则很容易掌握其他语言的正则表达式。
5 总 结
本文探讨了PowerShell操作文件的机制、如何读取不同的数据格式并生成自己的数据，以及如何使用正则表达式从文本块中获取数据。说明了如何操作文件，包括引用、处理和保存文件等。并且说明了可以在不同平台之间转换文件的常见字符编码，以及如何使用正则表达式提取文本文件中的内容。
作者: 付海军
版权：本文版权归作者所有
转载：欢迎转载，为了保存作者的创作热情，请按要求【转载】，谢谢
要求：未经作者同意，必须保留此段声明；必须在文章中给出原文连接；否则必究法律责任
个人网站: http://txj.shell.tor.hu/