☰

从多行中提取模式

tag-icon • tag-icon shell-script text-processing latex
从多行中提取模式

我有一个test.tex内容与此类似的文件：

\documentclass{scrartcl}
\usepackage{graphicx}
\title{Test}
\author{Author 1, Author 2, Author 3}
\begin{document}
\end{document}

我想提取 中写的每个作者{ ... }。因此我做了以下事情：

authors=$(cat test.tex | grep '\author' | tr -d '\author' | tr -d '{' | tr -d '}' )

此代码仅适用于这种情况。我的问题是

  1. 可能有[]而不是{}
  2. 该行可以跨越多行，如下例所示

\author{Author 1,

Author 2,

Author 3}

有谁知道如何解决这两个问题？

答案1

grep -zPo '\\author{\K[^}]*' ex1.tex | tr '\0\n' '\n '

一些快速解释说明：

  • -z输入和输出记录（“行”）由 NULL ( ) 分隔\0。因此完整的 TeX 文件将是一条记录。
  • -P使用 Perl PCRE 正则表达式变体。
  • -o仅输出记录中与 regExp 匹配的部分。
  • \\author{\K表示左上下文

更改tr '\0\n' '\n ' 输出记录分隔符 ( \0to \n) 并删除名称内的换行符 ( \nto )

答案2

#!/bin/bash

sed -nr '
/\\author/ {
    :ending
    /]|}$/! {
        N   
        b ending 
    }
    s/\\author(\{|\[)(.*)(}|])/\2/p
}
' test.tex

说明（代码相同，但添加了注释）：

#!/bin/bash

sed -nr '
# if the line contains the \author string, we are working with it.
/\\author/ {

    ##### this part are needed for multiple line pattern processing

    # put a label here. We will be return to this point, 
    # until we reach line, which have } or ] in the ending.
    :ending

    # if this line does not ended by } or ]. 
    # It is tell us, that this line continues on the next line.
    /]|}$/! {

        # Take the next line and append it to the previous line. 
        # Just join them together.
        N   

        # Go to the ":ending" label
        b ending 
    }

    ##### ending multiple line pattern processing

    # remove the \author word and brackets from line
    s/\\author(\{|\[)(.*)(}|])/\2/p
}
' test.tex

测试文件

\documentclass{scrartcl}
\usepackage{graphicx}
\title{Test}
\author{Author 1, Author 2, Author 3}
\author[Author 1, Author 2, Author 3]
\author{Author 1,
Author 2,
Author 3}
\author[Author 1,
Author 2,
Author 3]
\begin{document}
\end{document}

输出

Author 1, Author 2, Author 3
Author 1, Author 2, Author 3
Author 1,
Author 2,
Author 3
Author 1,
Author 2,
Author 3

答案3

这似乎可以完成工作：egrep -o '[\[{]?Author' | sed -E 's/[\[{]//'

例子：

1）

echo "\documentclass{scrartcl}
\usepackage{graphicx}
\title{Test}
\author[Author 1,
Author 2
Author 3 ] " | egrep -o '[\[{]?Author' | sed -E 's/[\[{]//'
Author
Author
Author

2）

echo "\documentclass{scrartcl}
\usepackage{graphicx}
\title{Test}
\author[Author 1, Author 2, Author 3]
\begin{document}
\end{document}" | egrep -o '[\[{]?Author' | sed -E 's/[\[{]//'
Author
Author
Author

3）

echo "\documentclass{scrartcl}
\usepackage{graphicx}
\title{Test}
\author{Author 1, Author 2, Author 3}
\begin{document}
\end{document}" | egrep -o '[\[{]?Author' | sed -E 's/[\[{]//'
Author
Author
Author

你也许可以只使用grep和lookbehinds之类的东西来做到这一点。我个人使用管道 into sedafter没有任何问题grep。

答案4

Python

使用问题中给出的输入文件，可以像这样完成一个衬垫：

$ python -c 'import sys,re;f=open(sys.argv[1],"r");a=tuple(l for l in f.readlines() if l.startswith("\\author") );print("\n".join(re.split(", |,|{|}",a[0].strip())[1:]))' input.tex      
Author 1
Author 2
Author 3

和一个脚本如下：

#!/usr/bin/env python

import sys,re

# read the doc, find the desired line
line=""
with open(sys.argv[1]) as f:
    for l in f:
        if l.startswith("\\author"):
            line=l.strip()
            break
# split at multiple separators, get slice of that list starting since 2nd item
author_list = re.split( ", |,|{|}", line )[1:] 
# print 1 author per line
print("\n".join(author_list))

关键步骤有两个：读取文件并找到以字符串开头的行\\authors，然后将多个分隔符处的行分成标记列表，并从该标记列表中构建一个换行分隔的字符串。我还冒昧地考虑了您可能必须在,或处拆分的可能性,<space>。

相关内容