要操作的数据（some-mutool-clean-pdf-file）如下所示，虽然前导数字不是数据的一部分，但希望有助于澄清我的问题：
1 blabla
2 /Span <</MCID
3 .(s).(o)..(m).(e)...(c).(h)..(a)...(r)..
4 .(s).(o)..(m).(e)...(c).(h)...(a)..(r)..
5 .(s).(o)..(m).(e)...(c).(h)..(a)...(r)..
6 EMC
7 blabla
8 blabla
9 blabla
10 /H1 <</MCID
11 .(s).(o)..(m).(e)...(c).(h)..(a)...(r)..
12 .(s).(o)..(m).(e)...(c).(h)...(a)..(r)..
13 .(s).(o)..(m).(e)...(c).(h)..(a)...(r)..
14 EMC
15 blabla
这些点代表\d“or”[或“ ]or”TJ等，应避免打印。
期望的结果：
3 somechar
4 somechar
5 somechar
11 somechar
12 somechar
13 somechar
除了缺少“多个启动模式”之外，以下命令大致完成了我想要实现的目标。我确信有更好的/不同的方式，但这就是我能够剪辑在一起的方式。
sed -n '/\/H1\ <<\/MCID/,/EMC/{=;p}' somepdffile | sed '{N;s/\n/ /}' | sed -n 's/\[\(.*\)\]/...\1.../p' | sed 's/(\|)\|\.\|TJ\|-//g' | sed -r
> 's/(^[0-9]*)*[0-9]*/\1/g'
这是我想象的它是如何工作的。不幸的是它没有，但希望它展示了我想要实现的目标（“多个开始模式”和一个“结束匹配” - 我希望我正确地命名它）。
这里“多个开始模式”明确表示：/H1 <<MCID或/Span <<MCID，而两者都以 结尾EMC。无法实现匹配这样的内容：/any_tag <<MCID，而存在与H1或不同的标签Span。括号之间的字母应该始终被打印，并且在每个范围中都有模式 - 但在以其他标签开头的范围中也应该不被打印。(letter)
sed -n '/\/H1\ <<\/MCID\|\/Span\ <<\/MCID/,/EMC/{=;p}' somepdffile | sed '{N;s/\n/ /}' | sed -n 's/\[\(.*\)\]/...\1.../p' | sed 's/(\|)\|\.\|TJ\|-//g' | sed -r 's/(^[0-9]*)*[0-9]*/\1/g'
非常感谢任何帮助。提前致谢！
答案1
下面是一个awk解决方案。它需要 GNU awk 来实现该gensub()功能：
awk '$0=="EMC" {s=0} s{print FNR, gensub(/[^(]*\((.)\)[^(]*/, "\\1", "g")} /^\/(Span|H1) <<\/MCID$/ {s=1}' test.pdf
s当找到起始模式时，这会将标志设置为 1，起始模式定义为以/SpanOR开头/H1、后跟并以 结尾的行<</MCID。如果EMC找到包含以下内容的行，则该标志将被重置。
在该区域内（即当s为 1 时），使用该gensub()函数将任何出现的模式“任意数量的非 a 字符(，后跟 中的一个字符( )，后跟任意数量的非 a 字符(”替换为中包含的字符( )。然后它打印当前行号和提取的文本。
笔记这意味着有不起始行和结束行之间不包含这种模式的行。