如何從檔案中提取文本片段？

我有一個包含以下文本的檔案：

<div>
<b>a:</b> <a class='a' href='/a/1'>a1</a><br>
<b>b:</b> <a class='b' href='/b/2'>b2</a><br>
<b>c:</b> <a class='c' href='/c/3/'>c3</a><br>
<b>d:</b> "ef"<br><br><div class='start'>123
<br>ghij.
<br>klmn
<br><br><b>end</b>
</div>
</div>

我想做以下事情：

1. 每當一行以 開頭時<b>a:</b> <a class='a'，我想復制>符號之間的文本<a class='a'和</a>- 它必須存盤在a[1];
2. 同樣，每當一行以 開頭時<b>b:</b> <a class='b'，我想復制>符號之間的文本<a class='b'和</a>- 它必須存盤在b[1];
3. 每當一行包含<div class='start'>時，我想創建一個變數t，其值以該行和結尾之間出現的文本開頭<div class='start'>，然后設定flag為1;
4. 如果 的值flag已經是1并且當前行不以 開頭<br><br><b>end</b>，我想將當前行附加到變數的當前值t（使用空格符號作為分隔符）；
5. 如果 的值flag已經是1并且當前行以 開頭<br><br><b>end</b>，我想連接三個當前值a[1],b[1]和t（;用作分隔符）并將結果列印到輸出檔案，然后設定flag為0，然后清除變數t。

我使用了以下代碼（用于gawk 4.0.1）：

gawk 'BEGIN {flag = 0; t = ""; } 
{  
if ($0 ~ /^<b>a:<\/b> <a class=\x27a\x27/ ) {
    match($0, /^<b>a:<\/b> <a class=\x27a\x27 href=\x27\/a\/[0-9]{1,}\x27>(.*)<\/a>/, a) };
if ($0 ~ /^<b>b:<\/b> <a class=\x27b\x27/ ) {
    match($0, /^<b>b:<\/b> <a class=\x27b\x27 href=\x27\/b\/[0-9]{1,}\x27>(.*)<\/a>/, b) };
if ($0 ~ /<div class=\x27start\x27>/ ) {
    match($0, /^.*<div class=\x27start\x27>(.*)$/, s);
    t = s[1];
    flag = 1 };
if (flag == 1) {
    if ($0 ~ /^<br><br><b>end<\/b>/) {
        str = a[1] ";" b[1] ";" t;
        print(str) > "output.txt";
        flag = 0; str = ""; t = "" } 
    else {
    t = t " " $0 }
}
}' input.txt

我期待以下輸出：

a1;b2;123 <br>ghij. <br>klmn

但輸出是：

;;123 <b>d:</b> "ef"<br><br><div class='start'>123 <br>ghij. <br>klmn

為什么都是a[1]和b[1]空的？為什么會<b>d:</b> "ef"<br><br><div class='start'>出現在輸出中？如何修復代碼以獲得預期的輸出？

uj5u.com熱心網友回復：

以下是您的具體問題的答案：

1. Q) 為什么是a[1]和b[1]空的？

   A）當我使用 gawk 5.1.1 嘗試您的腳本時，它們不是，所以很可能您的 awk 版本中存在錯誤，或者您輸入中的某些空白不是您的腳本需要的空白（可能是選項卡），或者你有一些控制字符或者你的 awk 版本不喜歡使用\x27而不是\047for 's。

2. Q) 為什么會<b>d:</b> "ef"<br><br><div class='start'>出現在輸出中？

   A）因為您忘記了next匹配的塊中的a ，div所以下一個塊也在執行并$0從該div行保存。

3. 問）如何修復代碼以獲得預期的輸出？

   A）這是我解決問題的方法，使用 GNU awk 作為第三個引數match()和\s簡寫[:space:]：

$ cat tst.sh
#!/usr/bin/env bash

gawk '
    BEGIN { OFS=";" }

    match($0, /^<b>(.):<\/b>\s <a\s class=\047.\047\s href=\047\/.\/[0-9] \/?\047>(.*)<\/a>/, arr) {
        vals[arr[1]] = arr[2]
    }

    match($0, /^.*<div\s class=\047start\047>(.*)/, arr) {
        vals["div"] = arr[1]
        inDiv = 1
        next
    }

    inDiv {
        if ( /^<br><br><b>end<\/b>/ ) {
            print vals["a"], vals["b"], vals["div"]
            delete vals
            inDiv = 0
        }
        else {
            vals["div"] = vals["div"] " " $0
        }
    }

' 'input.txt' > 'output.txt'

$ ./tst.sh

$ cat output.txt
a1;b2;123 <br>ghij. <br>klmn

所以

1. 為了一致性、簡潔性和可維護性，我使用單個match()來捕獲看起來像 a、b、c 行的所有值。
2. 我總是將匹配結果保存在一個名為的陣列中，arr而不是每次出現的不同陣列中，因此我不必記住不斷洗掉這些陣列，并且使用匹配項的代碼都可以同質化。
3. 我使用單個關聯陣列vals[]來保存由字母索引的所有值，<b>因此我們不需要測驗這些字母并創建單獨的變數，只需洗掉陣列即可輕松清除資料，而不必設定多個變數為空，如果需要，稍后可以輕松地將c或任何其他類似的值添加到輸出中。
4. 我\s 對輸入中的每個空格都使用而不是單個空白字符，以不知道實際的空格字符和使用的空格數。
5. 我使用\047而不是\x27匹配's 以獲得可移植性和穩健性，請參閱http://awk.freeshell.org/PrintASingleQuote。
6. 我讓 shell 處理所有輸入/輸出，而不是在 awk 腳本中包含輸出重定向，以便在無法打開的檔案等錯誤場景中保持一致性并提高魯棒性。
7. 我命名了我的標志變數inDiv，而不是flag讓它告訴我們它的含義，即我們在div輸入塊中，以提高清晰度并便于將來維護。命名標志變數flag就像命名數字變數number而不是sum, count, ave,或其他可以改進腳本的有意義tot的diff東西。當您看到人們使用f標志變數的名稱時，它f是 的簡寫found，而不是flag。

uj5u.com熱心網友回復：

證明 gawk 的正則運算式與 perl 的不匹配

perl:

$ echo aaaab | perl -nE '/a*(a b)/ && say $1'
ab
$ echo aaaab | perl -nE '/a*?(a b)/ && say $1'
aaaab

a*?匹配零個或多個 a 的最短序列，貪婪者a 消耗其余的。

呆呆

$ echo aaaab | gawk 'match($0, /a*(a b)/, m) {print m[1]}'
ab
$ echo aaaab | gawk 'match($0, /a*?(a b)/, m) {print m[1]}'
ab

不一樣的行為：a*?仍然是貪婪的。

uj5u.com熱心網友回復：

為什么（...）a[1]（...）空？

match0如果發現不匹配，函式會回傳，這樣可以輕松檢查是否是這種情況，我選擇了與填充陣列有關的部分并對其進行了一些更改

{
if ($0 ~ /^<b>a:<\/b> <a class=\x27a\x27/ )
{
print NR, match($0, /^<b>a:<\/b> <a class=\x27a\x27 href=\x27\/a\/[0-9]{1,}>(.*)<\/a>/, a);
}
}

然后再次使用它

<div>
<b>a:</b> <a class='a' href='/a/1'>a1</a><br>
<b>b:</b> <a class='b' href='/b/2'>b2</a><br>
<b>c:</b> <a class='c' href='/c/3/'>c3</a><br>
<b>d:</b> "ef"<br><br><div class='start'>123
<br>ghij.
<br>klmn
<br><br><b>end</b>
</div>
</div>

并得到輸出

2 0

所以條件if按預期作業，因為<b>a:</b>... 是第二行，但是沒有找到匹配項。這意味著您的正則運算式是錯誤的，經過檢查，您的正則運算式缺少一個單引號，應該是

/^<b>a:<\/b> <a class=\x27a\x27 href=\x27\/a\/[0-9]{1,}\x27>(.*)<\/a>/

然后

{
if ($0 ~ /^<b>a:<\/b> <a class=\x27a\x27/ )
{
print NR, match($0, /^<b>a:<\/b> <a class=\x27a\x27 href=\x27\/a\/[0-9]{1,}\x27>(.*)<\/a>/, a);
print a[1];
}
}

確實給出輸出

2 1
a1

（在 gawk 4.2.1 中測驗）

標籤：壳awk

上一篇：從shell腳本的文本中提取特定值

下一篇：引數串列太長-沒有命令在VSCode中作業