注意

Question

我必须使用sed命令修改类似html的文本。我必须删除从一个或多个<字符开始的子字符串，然后删除0个或多个出现的除尖括号之外的任何字符，然后删除1个或多个>字符。

例如：来自 aaa<bbb>ccc我想得到aaaccc

我能够通过

做到这一点

"s/<[^>]\+>//g"

，但如果<>个字符之间为空字符串，或者文本中有两个<<>>，则此命令不起作用。例如，来自

aa<>bb<cc>vv<<gg>>h

我知道

aa<>bbvv>h

代替

aabbvvh

如何修改它以得到正确的结果？

Answer 1

问题是，一旦允许嵌套<和>字符，就将语言类型从“常规” 转换为“无上下文” < / em>。

正则语言是与正则表达式匹配的语言，而上下文无关的语法通常无法通过正则表达式进行解析。嵌套的 unbounded 级别阻止了这一点，需要基于堆的自动机才能解析此类语言。

但是有一些复杂的解决方法，如果您认为在您所面对的文本中允许的嵌套级别有上限，那么您可以根据前提是非常规情况永远不会发生：

让我们假设您在模式中嵌套的层次永远不会超过三个，（这使您可以看到模式并将其扩展到N个层次），可以使用以下算法来构建一个正则表达式，允许您匹配三个嵌套级别，但不能更多（您可以创建一个正则表达式来解析N个级别，但不能更多，这就是正则表达式的 umbounded bounded 性质：））。

让我们从下至上递归构造表达式。仅使用一个嵌套级别，您只有<和>，并且在内部都找不到它们（如果您允许<，则允许更多嵌套级别，这在级别0处被禁止）：

{l0} = [^<>]*

不包含<和>字符的字符串。

您的匹配文本将属于此类字符串，并由一对<和>字符包围：

{l1} = <[^<>]*>

现在，您可以通过交替{l0}{l1}{l0}{l1}...{l0}（即{l0}({l1}{l0})*并用<和>包围整个事物来构建第二层嵌套，以构建{ {1}}

{l2}

现在，您可以通过在一对方括号中交替排列{l2} = <{l0}({l1}{l0})*> = <[^<>]*(<[^<>]*>[^<>]*)*>和{l0}来构建第三个……（请记住，{l2}代表一个正则表达式，最多允许{{ 1}}或更少的嵌套级别

{l-i}

依次类推，您形成一个序列

i

在您认为输入文件中没有更深的嵌套时停止。

所以您的三级正则表达式是：

{l3} = <{l0}({l2}{l0})*> = <[^<>]*(<[^<>]*(<[^<>]*>[^<>]*)*>[^<>]*)*>

您会看到正则表达式随着您考虑更多级别而增长。好消息是，您最多可以考虑三级或四级，并且大多数文本都适合该类别。

请参见demo。

注意

尽管正则表达式看起来有些复杂，但不要犹豫。认为您可以在程序内部构建，只需使用我用来构建它的技术即可（例如，对于16级嵌套正则表达式，您将得到一个很大的字符串，很难编写它手工制作，但是很容易用计算机构建）

{lN} = <{l0}({l(N-1)}{l0})*>

在运行时给出：

<[^<>]*(<[^<>]*(<[^<>]*>[^<>]*)*>[^<>]*)*> {l3--------------------------------------} <{l0--}({l2---------------------}{l0--})*> <{l0--}({l1----}{l0--})*> <{l0--}>

使用正则表达式的主要优点是，一旦编写了正则表达式，它就会编译成一个内部表示形式，该形式只需要访问一次要匹配的字符串的每个字符，从而产生非常有效的最终匹配代码（可能是不能自己编写代码那么高效）

Sed

对于sed，您只需要生成足够深的正则表达式，然后使用它来解析您的文本文件即可：

package com.stackoverflow.q61630608; import java.util.regex.Pattern; public class NestingRegex { public static String build_regexp( char left, char right, int level ) { return level == 0 ? "[^" + left + right + "]*" : level == 1 ? left + build_regexp( left, right, 0 ) + right : left + build_regexp( left, right, 0 ) + "(" + build_regexp( left, right, level - 1 ) + build_regexp( left, right, 0 ) + ")*" + right; } public static void main( String[] args ) { for ( int i = 0; i < 5; i++ ) System.out.println( "{l" + i + "} = " + build_regexp( '<', '>', i ) ); Pattern pat = Pattern.compile( build_regexp( '<', '>', 16 ), 0 ); String s = "aa<>bb<cc>vv<<gg>>h<iii<jjj>kkk<<lll>mmm>ooo>ppp"; System.out.println( String.format( "pat.matcher(\"%s\").replaceAll(\"@\") => %s", s, pat.matcher( s ).replaceAll( "@" ) ) ); } }

将为您提供适当的结果（这是6个嵌套级别或更少的嵌套-请记住，{l0} = [^<>]* {l1} = <[^<>]*> {l2} = <[^<>]*(<[^<>]*>[^<>]*)*> {l3} = <[^<>]*(<[^<>]*(<[^<>]*>[^<>]*)*>[^<>]*)*> {l4} = <[^<>]*(<[^<>]*(<[^<>]*(<[^<>]*>[^<>]*)*>[^<>]*)*>[^<>]*)*> pat.matcher("aa<>bb<cc>vv<<gg>>h<iii<jjj>kkk<<lll>mmm>ooo>ppp").replaceAll("@") => aa@bb@vv@h@ppp和sed 's/<[^<>]*\(<[^<>]*\(<[^<>]*\(<[^<>]*\(<[^<>]*\(<[^<>]*>[^<>]*\)*>[^<>]*\)*>[^<>]*\)*>[^<>]*\)*>[^<>]*\)*>//g' file1.xml必须转义为(中的组定界符）
可以使用shell变量通过以下方法构造您的正则表达式：

)

（我使用sed作为替换模式，因此您可以看到在输入字符串中检测到了模式）

Answer 2

您可以使用

sed 's/<\+[^>]*>\+//g'
sed 's/<\{1,\}[^>]*>\{1,\}//g'
sed -E 's/<+[^>]*>+//g'

模式匹配

<\+-与<\{1,\}之外的0个或多个字符匹配的否定括号表达式

请注意，在最后的POSIX ERE中，未转义的<是匹配1个或多个匹配项的量词，与POSIX BRE模式中的[^>]*相同。

请参见online sed demo：

每个sed命令的结果为>\+。

删除<和>之间的子字符串（包括括号），里面没有尖括号

2 个答案:

注意

Sed