☰

如何在每次出现正则表达式时分割文件？

tag-icon • tag-icon gawk
如何在每次出现正则表达式时分割文件？

每次段落包含“7-04/PNLP-000001”形式的代码时，我试图让 gawk 将文本文件拆分为不同的文件。例如，如果原始文本文件包含以下内容：

Proposición no de Ley 7-04/PNLP-000009，与塞维利亚-科尔多瓦-马德里大道相关。
总统夫人
Ley 7-04/PNLP-000001 提案，涉及安达卢西亚农村中年工人的恢复和社会进步。
总统夫人

我想获得一个包含以下内容的文件：

Proposición no de Ley 7-04/PNLP-000009，与塞维利亚-科尔多瓦-马德里大道相关。
总统夫人

另一个内容如下：

Ley 7-04/PNLP-000001 提案，涉及安达卢西亚农村中年工人的恢复和社会进步。
总统夫人

我试图用这段代码来做到这一点：

gawk '
        /^\n.+[0-9]\-[0-9]{2}\/.+\-[0-9]{6}$/
        {if (p) close (p)
        p = sprintf("split%05i.txt", ++i) }
            { print > p; }
    ' input.txt

然而，这只是每行创建一个文件，无论其内容如何。有谁知道我做错了什么？提前致谢！

答案1

你很接近：

awk '/[0-9]-[0-9]{2}\/[[:upper:]]+-[0-9]{6}/ {
       if (file) close (file)
       file = sprintf("split%05i.txt", ++i)
     }
     file {print > file}' input.txt

您希望{ if... }针对与模式匹配的行运行代码块[0-9]...，因此，它应该与/.../.

第二个代码块将针对设置的{print > file}每条记录运行，并用作条件。filefile

此处的\n模式没有意义，因为awk依次处理的每个记录都是每行的内容（默认记录分隔符 ( RS) 是\n），因此记录永远不会包含换行符。您也不想将正则表达式锚定在这里（^和$）。

我已将您的替换.+为[[:upper:]]+以便更具体。例如，对于.+，它将匹配 on blah 5-10/2 blah blah €1000000。您可能需要根据您想要接受的内容进行调整PNLP。

请注意，它也匹配，因为它包含与模式匹配的字符串（请参见粗体部分）。blah 1234-56/XX-1234567890 blah

我已经删除了gin，gawk因为该代码不gawk具体。但请注意，仍然有一些 awk 实现不支持上面的{2}/{6}运算符（即使这是 POSIX 要求），因此如果您知道gawk它将可用，您不妨使用它来确保它有效。

答案2

我会这样做：
perl -ne 'my $fh="/dev/stdout"; if(/7-04\/PNLP-(\d+)/) { close $fh; open($fh,">/path/to/outputfiles/file$1"); } ; print $fh $_;' < /path/to/inputfile

相关内容