我有几十个很长的文本文件（每个10k到100k记录），其中一些字符因粗心处理而丢失，并被问号取代。我需要建立一个损坏的单词列表。
我确定最有效的方法是使用sed或awk或其他一些bash工具对文件进行正则表达式，但是我无法编写可以执行此操作的正则表达式。
以下是几个要处理的样本记录：
?ilkin, Aleksandr, Zahhar, isa
?igadlo-?van, Maria, Karl, abikaasa, 27.10.45, Veli?anõ raj.
所需的输出将是：
?ilkin
?igadlo-?van
Veli?anõ
到目前为止，我最好的结果似乎只能从记录开头检索单词：
awk '$1 ~/\?/ {print $1}' test.txt
- ＆GT;
?ilkin,
?igadlo-?van,
答案 0 :(得分：1)
我需要建立一个损坏的单词列表
如果目标只是搜索匹配grep，那么它将是最快速，最强大的工具：
grep -Po '(^|)([^?\s]*?\?[^\s,]*?)(?=\s|,|$)' test.txt
输出：
?ilkin
?igadlo-?van
Veli?anõ
解释：
-P选项，允许 perl 常规表达
-o选项，告诉只打印匹配的子字符串
(^|) - 匹配字符串的开头或空值（在这种情况下我们不能使用字边界锚\b因为问号?被视为字边界）
[^?\s]*? - 匹配除?以外的任何字符和\s空格
\?[^\s,]*? - 匹配问号?，后跟除空白\s和,之外的任何字符（可以在右边界处）
(?=\s|,|$) - 前瞻性肯定断言，确保所需子字符串后面跟空格\s，逗号,或放在字符串末尾