Question

我正在尝试更改文件中的一些XML标记，以便更容易读入R，但有些标记是相同的，xmlToDataFrame似乎不喜欢。见下文：

<DATE calender="Western">1996-06-22</DATE>
<DATE calender="Persian">1375/04/02</DATE>
<CAT xml:lang="fa">ادب و هنر</CAT>
<CAT xml:lang="en">Literature and Art</CAT>

我尝试使用正则表达式重命名某些标记，使其看起来更像这样：

<DATE_Western>1996-06-22</DATE_Western>
<DATE_Persian>1375/04/02</DATE_Persian>
<CAT_Persian>ادب و هنر</CAT_Persian>
<CAT_English>Literature and Art</CAT_English>

我尝试使用正面的lookbehind，但我需要某种量词来捕获标记内部，并且似乎没有得到许多正则表达式实现的支持。

有什么建议吗？

此外，什么是最好的命令行工具，用于搜索和替换大量文件（sed，awk？）

谢谢！

Answer 1

你可以在没有外观的情况下做到这一点，只需执行替换。

正则表达式

<(\w+)[^"]*"(.*?)">(.*?)<\/\1>

替换

<\1_\2>\3</\1_\2>

实施例

http://regex101.com/r/kM0rA4

Answer 2

将GNU awk用于gensub（）：

$ gawk '
BEGIN {
    map["fa"]="Persian"
    map["en"]="English"
}
{
    for (abbr in map)
        $0 = gensub("(xml:lang=\")" abbr "(\")","\\1" map[abbr] "\\2","")
    $0 = gensub(/(<[^[:space:]]+)[^"]+"([^"]+)">(.*)>$/,"\\1_\\2>\\3_\\2>","")
}
1' file
<DATE_Western>1996-06-22</DATE_Western>
<DATE_Persian>1375/04/02</DATE_Persian>
<CAT_Persian>ادب و هنر</CAT_Persian>
<CAT_English>Literature and Art</CAT_English>

Answer 3

也请尝试此sed命令，

sed '/ xml\:lang\=\"fa\"/ s/fa/Persian/g; / xml\:lang\=\"en\"/ s/en/English/g; s|^<\(.*\) .*="\(.*\)">\(.*\)<\(.*\)>|<\1_\2>\3<\4_\2>|g' file

输出：

<DATE_Western>1996-06-22</DATE_Western>
<DATE_Persian>1375/04/02</DATE_Persian>
<CAT_Persian>ادب و هنر</CAT_Persian>
<CAT_English>Literature and Art</CAT_English>

积极观察与量词

3 个答案:

正则表达式

替换

实施例