☰

找到一条线上的两个模式并删除它们之间的模式和顺序

tag-icon • tag-icon text-processing
找到一条线上的两个模式并删除它们之间的模式和顺序

我有一个包含如下行的文件：

ABCDABCBCBBBCBCDDBBBBBBBBBBBBBBBBBBBBBBBBBXYZ
ABCDCCCBCCBBBBBBBBBBBBBBBBBBBBBBXYZ
ABCDACDCDCCCCBBBBBBBBBBBBBBBBBBBBBBBBXYZ

而且我要

BBBBBBBBBBBBBBBBBBBBBXYZ
BBBBBBBBBBBBBBBBBBXYZ
BBBBBBBBBBBBBBBBBBBBXYZ

因此，目标是删除从ABCD4 个连续 s 的第一次出现开始的所有内容（包括第一次出现的内容）B。保证所有行都以 开头，并且在结束之前的 s的“相关”链之前，该行上ABCD不能有“杂散” 。BBBBBXYZ

我尝试过sed与此接近的变体：

sed 's/ABCD.*BBBB//g' filename

我认为这给了我XYZ，因为它直到最后一个模式才停止BBBB，但我希望它在第一个模式之后停止。

任何帮助将不胜感激！！

答案1

sed正如您所怀疑的，您的方法失败的原因是它sed基于正则表达式，并且这些是“贪婪的”，即它们尝试匹配它们可以描述的最长的可能字符串。

所以，这可能是 的任务awk。考虑这个程序：

awk '{n=index($0,"BBBB"); print substr($0,n+4)}' input.txt

BBBB这将定位当前行中第一次出现的子字符串（用 表示$0）并将位置存储在 中n。然后它将打印从该位置开始的行部分加上 4（以删除最初的 4B秒）直到行尾。

请注意，此处没有提及起始模式，ABCD因为您的示例输入表明全部行以 开头ABCD，在这种情况下，删除从行开头到（包括第一个 4- -）模式的所有内容就足够了B。如果假设不正确，特别是如果BBBB可以发生在 之前ABCD，它将无法按预期工作。

答案2

做你该做的事问对于 ( remove everything starting with the ABCD up to, and including, the first occurence of 4 consecutive Bs.) 与任何 awk 都将是：

$ awk -v beg='ABCD' -v end='BBBB' '
    { gsub(end,"\n") }
    match($0,beg"[^\n]+\n") { $0=substr($0,1,RSTART-1) substr($0,RSTART+RLENGTH) }
    { gsub(/\n/,end) }
1' file
BBBBBBBBBBBBBBBBBBBBBXYZ
BBBBBBBBBBBBBBBBBBXYZ
BBBBBBBBBBBBBBBBBBBBXYZ

无论 ABCD 是行中的第一个还是 BBBB 可以出现在它之前，这都有效：

$ echo 'xyz BBBB foo ABCD bar BBBB etc BBBB anon' |
    awk -v beg='ABCD' -v end='BBBB' '{gsub(end,"\n")} match($0,beg"[^\n]+\n"){$0=substr($0,1,RSTART-1) substr($0,RSTART+RLENGTH)} {gsub(/\n/,end)} 1'
xyz BBBB foo  etc BBBB anon

答案3

如果序列仅出现一次BBBB*，则可以指示sed仅删除BBBB前面的第一个序列其他特点。

sed 's/^ABCD.*[^B]BBBB//'

如果BBBB序列每行只开始一次，那么应该可以完成工作。

请注意，它不适用于以下字符串：

ABCDEBBBBFBBBBXYZ

因为这是两次出现的情况BBBB，前面有非 B，贪心算法也会捕获第二次。

答案4

问题在于sed的正则表达式是“贪婪的”（即它们尝试尽可能多地匹配）。 sed没有用于匹配的非贪婪量词，但perl有 - 只需附加?在您要匹配的内容之后。例如

$ sed 's/ABCD.*BBBB//g' input.txt 
XYZ
XYZ
XYZ
$ perl -p -e 's/ABCD.*?BBBB//g' input.txt 
BBBBBBBBBBBBBBBBBBBBBXYZ
BBBBBBBBBBBBBBBBBBXYZ
BBBBBBBBBBBBBBBBBBBBXYZ

顺便说一句，像您这样的大多数简单脚本都可以使用代替（或在适当的情况下使用语句，而不是命令）sed来运行- 但使用perl正则表达式而不是perl -p -esedperl -n -eprintsed -np布雷（sed 的默认值）或 ERE ( sed -E)。请注意，与 不同sed，-e指示下一个参数是脚本的 对于 来说不是可选的perl。

从man perlre：

默认情况下，量化子模式是“贪婪的”，也就是说，它将匹配尽可能多的次数（给定特定的起始位置），同时仍然允许模式的其余部分匹配。如果您希望它匹配尽可能少的次数，请在量词后面加上?。请注意，含义没有改变，只是“贪婪”：

*?        Match 0 or more times, not greedily
+?        Match 1 or more times, not greedily
??        Match 0 or 1 time, not greedily
{n}?      Match exactly n times, not greedily (redundant)
{n,}?     Match at least n times, not greedily
{n,m}?    Match at least n but not more than m times, not greedily

相关内容