Question

注意：

在开始创业之前，我想指出一些其他SO帖子并没有完全回答我的问题而且与这个问题不重复：

背景

我在一个名为words.txt的文件中有一个单词列表（每行一个单词）。我想从名为file.txt的另一个更大的文件中找到所有行，其中包含来自words.txt的任何单词。但是，我只想要全字匹配。这意味着当来自file.txt的一行包含至少一个找到words.txt的单词的实例＆＃34时，应该进行匹配;所有这些都是单独的＆＃34; （我知道这很模糊，所以请允许我解释一下）。

换句话说，应该在以下情况下进行匹配：

这个词本身就是一行
这个词被非字母数字/非连字符包围
单词位于一行的开头，后跟非字母数字/非连字符
单词位于一行的末尾，前面是非字母数字/非连字符

例如，如果words.txt中的某个字词为cat，我希望其行为如下：

cat              #=> match
cat cat cat      #=> match
the cat is gray  #=> match
mouse,cat,dog    #=> match
caterpillar cat  #=> match
caterpillar      #=> no match
concatenate      #=> no match
bobcat           #=> no match
catcat           #=> no match
cat100           #=> no match
cat-in-law       #=> no match

之前的研究：

有grep命令几乎符合我的需要。它如下：

grep -wf words.txt file.txt

选项包括：

-w, --word-regexp
       Select only those lines containing matches that form whole words.
       The test is that the matching substring must either be at the beginning
       of the line, or preceded by a non-word constituent character.
       Similarly, it must be either at the end of the line or followed by a
       non-word constituent character. Word-constituent characters are
       letters, digits, and the underscore.
-f FILE, --file=FILE
       Obtain patterns from FILE, one per line. The empty file contains
       zero patterns, and therefore matches nothing.

我遇到的一个大问题是，它将连字符（即-）视为＆＃34;非单词构成字符＆＃34;。因此（基于上面的示例）对cat执行全字搜索将返回cat-in-law，这不是我想要的。

我意识到-w选项可能会为许多人带来预期的效果。但是，在我的特定情况下，如果一个单词（例如cat）后跟/前面有一个连字符，那么我需要将其视为一个较大单词的一部分（例如{{1} }）而不是单词本身的实例。

此外，我知道我可以改变cat-in-law包含正则表达式而不是固定字符串然后使用：

words.txt

，其中

grep -Ef words.txt file.txt

但是，我希望避免更改-E, --extended-regexp Interpret PATTERN as an extended regular expression并使其免于正则表达式模式。

问题：

是否有一个简单的bash命令可以让我给它一个单词列表并在文本正文上执行全字匹配？

Answer 1

我终于想出了一个解决方案：

grep -Ef <(awk '{print "([^a-zA-Z0-9-]|^)"$0"([^a-zA-Z0-9-]|$)"}' words.txt) file.txt

<强>解释

words.txt是我的单词列表（每行一个）。
file.txt是我要搜索的文字正文。
awk命令将动态预处理words.txt，将每个单词包装在一个特殊的正则表达式中，以定义其正式的开始和结束（根据我上面的问题中发布的规范）。
awk命令被<(和)包围，因此其输出将用作-f选项的输入。
我正在使用-E选项，因为我现在正在输入正则表达式列表而不是words.txt中的固定字符串。

这里的好处是words.txt可以保持人类可读性，并且不必包含一堆正则表达式模式。

给定一个单词列表，对文本正文进行全字匹配

1 个答案: