在匹配的子字符串上应用正则表达式

Question

我有几千条这样的文字行：

go to <CITY>rome</CITY> <COUNTRY>italy</COUNTRY>

我想要的输出是替换从第一个标记词（罗马）到最后一个（意大利）的所有内容并放置标记：

go to <ADDRESS>rome italy</ADDRESS>

我可以匹配标记为的文本行部分：

<.*>

这将贪婪地选择第一个＆lt;持续＆gt;。我希望删除标签并将<ADDRESS>和</ADDRESS>放在匹配的部分周围。

可能的标签有：<STREETNUM>，<STREET>，<CITY>，<STATE>，<ZIP>和<COUNTRY>。这些标记的任何子集都可以按任何顺序出现。标签永远不会嵌套。

我搜索了SO并用谷歌搜索无济于事。也许我可以使用一个命名的捕获组，然后在其上应用搜索/替换正则表达式，但我不知道如何。任何帮助都会受到赞赏。

Answer 1

此sed行将执行此操作：

sed 's/<CITY>\(.*\)<\/CITY>.*<COUNTRY>\(.*\)<\/COUNTRY>/<ADDRESS>\1 \2<\/ADDRESS> /g'

例如：

sed 's/<CITY>\(.*\)<\/CITY>.*<COUNTRY>\(.*\)<\/COUNTRY>/<ADDRESS>\1 \2<\/ADDRESS> /g'  <<< "go to <CITY>rome</CITY> <COUNTRY>italy</COUNTRY>"

打印：

go to <ADDRESS>rome italy</ADDRESS> 

它基本上捕获CITY标记内和COUNTRY标记内的内容，然后将其替换为包含ADDRESS标记的捕获组值

如果您正在使用Linux，则可以避免使用(标记转义-E：

sed -E 's/<CITY>(.*)<\/CITY>.*<COUNTRY>(.*)<\/COUNTRY>/<ADDRESS>\1 \2<\/ADDRESS> /g'

<强>更新

为了达到预期的效果，您可以按以下操作顺序使用多个命令：

1. 删除go to文字：sed 's/go to //g'
2. 删除所有标记字符：tr -d '</>'

3. 删除所有标记字符后，您可以安全地删除字词STREETNUM，STREET，CITY，STATE，ZIP和{ {1}}来自输入：

   COUNTRY

4. 获取先前命令连接生成的输出并将其输出到sed -E 's/CITY|COUNTRY|STATE|ZIP|STREETNUM|STREET//g'标记内：

   <ADDRESS></ADDRESS>

最后的命令如下，xargs -i echo "go to <ADDRESS>{}</ADDRESS>"应该包含要处理的行：

$LINE

一个例子：

运行：

sed 's/go to //g' <<< "$LINE" | tr -d '</>' | sed -E 's/CITY|COUNTRY|STATE|ZIP|STREETNUM|STREET//g' | xargs -i echo "go to <ADDRESS>{}</ADDRESS>"

将打印：

sed 's/go to //g' <<< "go to <STATE>Bolivar</STATE> <COUNTRY>Venezuela</COUNTRY> <STREETNUM>5</STREETNUM> " | tr -d '</>' | sed -E 's/CITY|COUNTRY|STATE|ZIP|STREETNUM|STREET//g' | xargs -i echo "go to <ADDRESS>{}</ADDRESS>"