☰

打印第二个字段中包含有限单词的行

tag-icon • tag-icon linux ubuntu unix linux-mint
打印第二个字段中包含有限单词的行

我有一个形式为的符号表

M07UP49A0870I422.wav    <s> haraa keelaa <bn> </s>
M07UP49A0870I423.wav    <s> <horn> jau <babble>  </s>
M07UP49A0861C86105.wav  <s> waa khaada aadi kaa upayoga laabhadaayaka paaya gayaa hai  </s>
M07UP49A0861C86106.wav  <s> aadi kisaan apnee stara para bhii taiyaara kara sakatee hai </s>
M07UP49A0861C86107.wav  <s> kii gobara kaa upayoga kandxee banaakara iindhana kee ruupa mee kiyaa jaata hai <bang> </s>
M07UP49A0861C86108.wav  <s> geehuun kii phasala kii katxaayii kee baada <horn> kheeto ko aaga lagaakara saapha kiyaa jaata hai <babble> </s>
M07UP49A0861C86109.wav  <s> badxqii maatraa mee jiiwaanqu jalakara nashtxa ho jaataa hai <babble> </s>

显然，该文件包含两列。第一列是音频文件的名称（扩展名为 .wav），第二列是音频文件的抄本

第二列最多包含 4 个单词（不包括标签；标签是写在 <> 中的单词）。

例如，考虑第二行。这一行只有一个词，即閩（注意

<s> 
</s> 
<babble> 
<horn>

由于它们是标签，所以不计入字数统计。

本质上，在任何一行中，第二列中的单词都是未被 <> 包围的字符串。

现在我的工作是找出第二列中单词不超过 4 个的行。

为了您的方便，以下是预期的输出

M07UP49A0870I422.wav    <s> haraa keelaa <bn> </s>
M07UP49A0870I423.wav    <s> <horn> jau <babble>  </s>

我得到了以下输出，因为第二列只包含两个单词，即 haraa 和 keelaa，而第二行仅包含一个单词，即第二列中的 jau。

除这些行之外，其他行的第二列都包含 4 个以上的单词。

答案1

如果您没有棘手的字段（例如标签内的转义大于号），那么这是 awk 的典型任务：

$ awk '{ words=0;  for (i=2; i<=NF; ++i) { if ( $i !~ /^<[^>]+>$/) ++words}; if (words <= 4) print }'  input.txt
M07UP49A0870I422.wav    <s> haraa keelaa <bn> </s>
M07UP49A0870I423.wav    <s> <horn> jau <babble>  </s>

答案2

$ perl -n -e "print unless / \w+ \w+ \w+ \w+ \w+ /" Snowbell
M07UP49A0870I422.wav    <s> haraa keelaa <bn> </s>
M07UP49A0870I423.wav    <s> <horn> jau <babble>  </s>
$

或者，更灵活（但更隐晦）

$ perl -n -e 'print unless (scalar ( ()= $_ =~ / \w+ /g) > 4)' Snowbell
M07UP49A0870I422.wav    <s> haraa keelaa <bn> </s>
M07UP49A0870I423.wav    <s> <horn> jau <babble>  </s>
$

如果“not > 4”变成“not > 22”之类的话，后者就更容易了。

相关内容