☰

sed 正则表达式文本处理捕获分组引用交替混乱

tag-icon • tag-icon text-processing sed regular-expression perl
sed 正则表达式文本处理捕获分组引用交替混乱

sed 的捕获分组 ALTERNATION 未按预期工作。

虽然交替的优先级最低，但令人困惑的是：

echo "abcd_aefghi" | sed -r "s/(a)(b)(c)(d)|(a)(e)(f)(g)/\8/g;"

observed result --> _ghi
expected result --> error: invalid reference \8 RHS

a--bcd | # Logical alternation (Not bitwise!!)
#must be different separated logical state processing!! 
#not involvement of look behind registered reference grouping Counting!!
a--efg ;

还

sed -r "s/(a)((b)(c)(d)|(e)(f)(g))/\8/;"
observed result --> _ghi

更加混乱如果

sed -r "s/(a)(b)(c)(d)()|((a)(e)(f)(g))/\8/g"

observed result --> _ehi

也更加混乱

sed -r "s/(a)(b)(c)(d)()||||i am Not comment, Whats going here?|||||||((a)(e)(f)(g))/\8/g"

observed result --> _ehi
expected result --> full parsing error, because "||"

最糟糕的是内部分组匹配

echo "aBcB_aCfC" | sed -r "s/(a)((B)(c)(\1)|(C)(f)(\1))/\4/g;"
#Infield twin uppercase's must match!
observed result --> aBcB_aCfC
expected result --> c_f

perl -pe重复同样的问题！

问题在于引用计数超出了交替范围，而不是在识别交替符号后重置计数。

Fedora 20 上的 sed 版本 4.2.2。

当然，我在这里给出的是非常普遍的基本问题。

真正的脚本是非常复杂的长文本原始解析。

我最初的目标是打印每个交替质量分组中的第四个元素。现在我必须拆分匹配，这会显着增加代码量。

有人可以减少我的困惑吗？

答案1

\x扩展为第 x 个捕获组中捕获的内容，捕获组根据正则表达式中左大括号的出现情况从左到右编号。

echo "abcd_aefghi" | sed -r "s/(a)(b)(c)(d)|(a)(e)(f)(g)/\8/g;"
                               1  2  3  4   5  6  7  8

该正则表达式匹配两次。一旦打开abcd（第 8个捕获组什么也不捕获），一旦打开aefg，第 8个捕获组捕获 a g。 Soabcd被替换为无任何内容，并且aefg和g和保持不变，因此您会得到_预期的结果。hi_ghi

在：

sed -r "s/(a)(b)(c)(d)()|((a)(e)(f)(g))/\8/g"
          1  2  3  4  5  67  8  9  10

你得到了_ehi，因为现在是第 8组(e)。

sed -r "s/(a)(b)(c)(d)()||||i am Not comment, Whats going here?|||||||((a)(e)(f)(g))/\8/g"
          1  2  3  4  5                                               67  8  9  10

没有什么不同。除了（虽然不可见），由于||，在 和 之间会有空匹配，并且最后会出现h一个i额外的匹配（还有一些带有perl）。

根据交替运算符重置数字不会成为一个非常有用的 API。如果您想扩展到示例中交替两侧的第四个捕获组所匹配的内容，您始终可以执行以下操作：

sed -r 's/(a)(b)(c)(d)|(a)(e)(f)(g)/\4\8/g'
          1  2  3  4   5  6  7  8

这会给你同样的perl的:

perl -lpe 's/(?|(a)(b)(c)(d)|(a)(e)(f)(g))/\4/g'
                1  2  3  4   1  2  3  4

（where\4可以扩展为what(d)或(g)captured）。

答案2

据我了解，您对给定的答案不满意，因为它使您的代码混乱，无法解决您的实际问题。如果不知道真正的问题，很难帮助你。

要保留每次交替的第四部分，您可能应该采取不同的做法：

sed -r 's/abcd|aefg/\n&/g;s/\n...//g'

用换行符标记每个匹配，并在第二遍中删除带有三个不需要的字符的换行符（这sed仅适用于 GNU，但您可以对不同的 执行类似的操作sed）。

这种方法没有放大代码。有时你只需要采取不同的做法。当然，您也可以使用组而不只是字符来执行此操作。

但是，如果这不能解决您的实际问题（并且您不知道如何适应它），请用示例数据告诉我们您的实际问题。

相关内容