如何在 gawk 中保留混合换行格式？

Question

我有一个输入文件，其中包含 Unix (LF) 和 Windows (CR/LF) 样式的换行符。 （具体来说，它是来自 Linux 系统的 XML，但它包含一些原始 HTTP 标头，并且 HTTP 更喜欢使用 CRLF 作为标头）：

    <response_page cause="default">
      <response_type>custom</response_type>
      <response_header>HTTP/1.1 200 OK^M
Cache-Control: no-cache^M
Pragma: no-cache^M
Connection: close</response_header>

我正在编写一个 gawk 脚本来遍历这个文件，对 XML* 进行一些简单的调整，唯一的问题是它读取 LF 和 CRLF 有效的 RS，但只输出 LF，无论那里有什么......本质上，它会删除 CR。

我尝试过各种方法，其中最雄心勃勃的是 RS 的正则表达式匹配和打印 RT：

BEGIN { RS = "\r\n|\n"; go = "no" }
(go ~ /yes/) { 
    sub(/false/, "true", $0)
    go = "no"
}
($0 ~ /<signature signature_id="200000017">/) { 
    print "Found signature!"
    go = "yes"
} 
{ 
    printf $0 RT
}

我非常感谢任何关于让 gawk 重现混合平台 RS 终结者的指示。

* 在这种情况下，简单的调整是将具有正确签名 ID 的行后面的行中的“false”更改为“true”。我完全意识到使用 XML 解析器是完成此任务的正确方法，但对于如此轻量级的需求，我试图避免陷入 XML 解析带来的痛苦和焦虑。

更新：

事实证明，这个解决方案在 Linux 下运行时是有效的。当在 Windows 上的 Cygwin gawk 下运行时，CRLF/LF 区别明显被静音，并且无法按预期工作。我将答案点授予Peter.O，尽管他本质上重申了我正在尝试的事情，因为他以彻底的方式这样做，当我意识到我们在做同样的事情而我的不起作用时，这让我质疑我的假设。

Answer 1

您可以使用内置变量RT

每次读取记录时都会设置 RT。它包含与 RS（记录分隔符）表示的文本匹配的输入文本。该变量是 gawk 扩展。

printf '%s\n' LF CRLF$'\r' | 
  gawk 'BEGIN { RS = "\r\n|\n" }
       { printf($0 RT) }'

通过管道传输到时的输出sed -n l- 显示CR作为\r， 和end-of-line作为$- 其中，到sed表示下一个字符是\n（或者end-of-input。

LF$
CRLF\r$

---

但是，如果您想将终止符从 CRLF 切换到 LF 或反之亦然，则有两个操作：

printf '%s\n' was-LF was-CRLF$'\r' | 
  gawk 'BEGIN { RS = "\r\n|\n" }
        RT == "\r\n" { printf($0 "\n") }
        RT == "\n"   { printf($0 "\r\n") }'

通过管道传输到时输出sed -n l

was-LF\r$
was-CRLF$

---

if注意：当测试不是（主要部分）代码的第一行时， 您将需要使用它们：

  gawk 'BEGIN { RS = "\r\n|\n" }
        { # some processing code here (before the tests)
          if( RT == "\r\n" ) { printf($0 "\n") }
          if( RT == "\n")    { printf($0 "\r\n") } }'

Answer 2

一个简单的解决方案是仅将 LF 视为行结尾，拉出最终的 CR（如果有），然后将其打印出来。

{ CR = (sub(/\r$/,"") ? "\r" : "") }
… { … print "stuff" CR }

即使最后一个输入行未终止，输出也始终以 LF 结尾。