☰

将 1200 页文档拆分为 500 页，然后将剩余页

tag-icon • tag-icon shell-script text-processing files
将 1200 页文档拆分为 500 页，然后将剩余页

我是 Unix 世界的新手，我的文本文件包含 1200 页，由^L.有没有一种有效的方法可以将该文件分解为两个单独的文件，每个文件有 500 页，然后是第三个文件，其中包含剩余的页面。

我正在考虑读取文件以找到第一个文件，^L然后将下一个 500 个输出计数到临时文件，继续读取以创建下一个临时文件，或者是否有更有效的方法？

我的脚本是在bash运行中编写的MKS工具包。

答案1

^L假设每个页面都以（文字）开头Ctrl+L：

awk '/^L/ { p++ } (p-1) % 500 == 0 { f = FILENAME "-page-" p ".txt" } { print > f }' file.txt

这将计算行数^L，如果计数减 1 是 500 的因数（第 1 页、第 501 页、第 1001 页等），它将将该变量设置f为文件名以将以下文本输出到其中。

^L代码中的内容awk是不是两个字符^和L，但是一个文字Ctrl+L（您可以使用 键入Ctrl+VCtrl+L）。您也可以使用\014它来代替它。

对于一个小测试文档test.txt：

^L
page 1
^L
page 2
^L
page 3
^L
page 4

...并将 500 更改为 2 进行测试，这会生成两个文件 和test.txt-page-1.txt，test.txt-page-3.txt每个文件包含输入文件中的两行（页面标记和文本）。

test.txt-page-1.txt：

^L
page 1
^L
page 2

test.txt-page-3.txt：

^L
page 3
^L
page 4

要解析的文件显然在第一页标记之前有一个标题。需要忽略该标头。上述命令的以下变体awk可以实现此目的：

awk '/^L/ { p++ } (p-1) % 500 == 0 { f = FILENAME "-page-" p ".txt" } p > 0 { print > f }' file.txt

通过将输出限制为p大于零，我们要求在输出任何内容之前至少解析一个页面标记。

答案2

这是另一种选择。这个锚定在^L字符上（我假设它是单个字符，八进制014而不是两个文字^和L）。对于您的源数据文件，original.txt它会将每个页面拆分为自己的文件。从那里您可以将它们连接成所需的块：

# GNU csplit
csplit --prefix='page_' --digits=4 original.txt $'/\014/+1' '{*}'

# MKS csplit
csplit -f 'page_' -n 4 -k original.txt $'/\014/+1' '{9999}'

# Concatenate the required sets of pages together
cat page_{0000..0499} > part_1.txt
cat page_{0500..0999} > part_2.txt
cat page_{1000..9999} > part_3.txt

# Tidy up
rm page_????

答案3

如果可以使用旧的 gnu split：

split -t '^L' -l 500 bigFile part_
  • -t '^L' - 单位分隔符是^L

  • 分成500个单位的文件

  • 在 bash 中，要介绍^L我们必须输入^V ^L.也可以使用八进制表示法：split -t $'\014' ...

答案4

这是文本文件还是更复杂的文件（PDF、WORD 等）？也许您应该尝试一下内置split命令。它的工作原理是这样的

split -l1000 textfile

这会将您的文本文件拆分为多个文件，每个文件包含 1000 行。

相关内容