Question

我知道要从我可以执行的文件中提取行的子集：

sed -n 2208202,2218201p file >>new

bash中有没有办法根据单词提取文件的子集（保留确切的顺序）？例如，提取文件的前10k个单词，或10000到20000的单词？

Answer 1

将此作为测试文件：

$ cat file
one two
three four five
six seven
eight nine
ten eleven twelve
thirteen
fourteen

使用GNU awk（gawk），让我们选择单词4到10：

$ awk -v RS='[[:space:]]+' '4<=NR && NR<=10{ printf "%s%s",$0,RT } END{print""}' file
four five
six seven
eight nine
ten

请注意，这会保留原始文件的空格和换行符。

如何运作

-v RS='[[:space:]]+'

这会将awk的记录分隔符设置为任何空格组合。
4<=NR && NR<=10{ printf "%s%s",$0,RT }

对于记录4到10，这将打印记录，其中包含输入文件中的任何空格。 RT不是POSIX。
END{print""}

如果最后一个单词不是一行中的最后一个单词，则会打印最终换行符。

Answer 2

假设：

您将 word 定义为任何非空白字符的运行
您使用 GNU Awk或Mawk

尝试：

awk -v from=10000 -v to=20000 -v RS='[[:space:]]+' 'NR < from {next} NR > to {exit} 1' file

^{- 只需省略-v from=...即可以第一个字开头
- 此解决方案在输出上打印每个单词;相反，如果您想保留单词之间的原始空格，请参阅John1024's helpful answer。}

RS='[[:space:]]+'将输入记录分隔符（RS）定义为任何空格运行，这有效地使每个非空白字符的运行成为自己的记录。
- 使用多字符 RS值可使此解决方案符合非POSIX标准;同样在OS X上使用的BSD awk仍然接近POSIX规范。因此不支持这样的RS值。

NR < from {next}

NR就会跳过输入记录。
NR > to {exit} 就会完全退出。这可能是一个包含大量输入文件的重要优化。
1，{ print }的常用简写，在各自的行上打印，因为print打印每个输入记录，然后是值ORS，即输出记录分隔符，默认为\n。
警告：第一个单词前面前面的空格报告为空字（记录）。

Answer 3

awk救援！

这也适用于其他问题

$ awk -v n=15 'sum<n && p{print p} 
                         {p=$0; sum+=NF} 
                   sum>=n{exit} 
                      END{for(i=1;i<=n-sum+NF;i++) printf "%s ", $i; 
                          print ""}' file.txt

这是第一个n字脚本。范围可以类似地实现。

根据bash中的单词数拆分文本文件

3 个答案:

如何运作