Question

如果我有这样的文件：

abc defghaijkb,mnaobpqa
pbqaaa
qrs - a .. b ...
cde

如何提取以a开头并以b开头的所有部分（我选择这些字符来简化示例，它们可能会被一些更复杂的正则表达式替换）？这是一个理想的输出：

ab
aijkb
aob
a .. b

（将每个项目放在一个单独的行）。由于（g）awk中没有非贪婪的匹配（.*?），我找不到如何解决这个问题（例如使用split）。

注1：不需要使用多行匹配 - 也就是说，regex1和regex2之间不允许使用换行符。

注意2：我不想使用sed，我想知道是否可以使用awk，bash或其他一些处理输入文件的命令行工具来完成此操作line ... AWK似乎是一个很好的解决方案，但是...如果它只支持非贪婪的.*?

注3：我无法使用grep，因为在处理大文件时，我总是遇到memory exhausted错误。

注意4.以下是更复杂的regex1和regex2的示例。如果他们可以包含非贪婪.*?怎么办？例如。 <a>.*?<b>.*?</b>.*?</a>。

更新。更复杂的例子：

[a]text1[a]text000[b]text2[/b]text11[/a]c defgh[a]text3[b]text33[/b]text333[/a]...[/a],mnaobpqa
...[b]aa[/b]bb[/a],,,
qa - [a][b][/b][/a] aabbcc ...
cde

期望的输出：

[a]text000[b]text2[/b]text11[/a]
[a]text3[b]text33[/b]text333[/a]
[a][b][/b][/a]

Answer 1

Pure AWK hackery：

awk 'BEGIN{RS="a"}/b/&&NR!=1{sub(/b.*/,"");if($0!~"\n")print"a"$0"b"}'

按a拆分文件并忽略第一段（前a）。
如果细分中没有b，请忽略它。
首先切断所有内容b并进一步切断。
如果细分受众群中有换行符，请忽略它。
重建截止"a"和"b"并打印。

我不认为你应该永远使用它。使用perl - 它出现在几乎任何存在awk的系统上，并使这项任务变得轻而易举：

perl -ne 'print map { "$_\n" } /a.*?b/g;'

这甚至适用于grep不支持PCRE的系统，因为Perl的定义支持PCRE。（我不知道内存耗尽的错误 - 正如rici所说，非病态的正则表达式不应该发生。）

编辑以回应OP提出的其他问题：

＆＃34;有能力的工具＆＃34;是任何支持非贪婪运算符和每行多个匹配的东西 - 在这种情况下，perl是无处不在，表达性和速度之间的最佳折衷。

编写的行是一个过滤器 - 您在标准输入中提供输入，您可以在标准输出中输出 - 就像您使用awk或sed一样。

标准的regexp语法适用：方括号和斜杠需要转义。

perl -ne 'print map { "$_\n" } /\[a\].*?\[b\].*?\[\/b\].*?\[\/a\]/g;' <infile >outfile

Answer 2

这可以使用grep和现代BSD grep（例如Mac OS上的那个）来实现。

grep -E "a.*?b" -o file

.*?执行非贪婪的匹配。

在只有GNU grep的平台上，可能需要使用-P而不是-E;在基线-POSIX平台或SysV派生的Unixen上，这可能根本不起作用（因为POSIX ERE没有指定非贪婪匹配，the POSIX standard for grep没有定义-o）。

Answer 3

搜索本身可以用Awk编写：

$ awk '{
    split($0, line, "")
    m=""
    for(i in line) {
        if(line[i] == "a")
            m=line[i]
        else if(m)
            m=m line[i]
        if(m && line[i] == "b") {
            print m
            m=""
        }
    }
}' file
ab
aijkb
aob
a .. b

如何从一行中提取多个非贪婪的正则表达式匹配部分？

3 个答案: