多行上的 sed 正则表达式无法捕获所有

Posted 2023-03-15

【中文标题】多行上的 sed 正则表达式无法捕获所有

【英文标题】：sed regex on multiple line can't capture all

【发布时间】：2021-10-07 15:35:30

【问题描述】：

我有这个文本文件（示例）

<This is a line of text with a year=2020 month=12 in it
This line of text does not have a year or month in it
This year=2021 is the current year the current month=1
This is the year=2021 the month=2/>


<This is a line of text with a year=33020 month=12 in it
This line of text does not have a year or month in it
This year=33020 is the current year the current month=1
This is the year=33020 the month=2/>

使用 linux sed (sed (GNU sed) 4.2.2) 正则表达式：

 sed -En 'N;s/\<(This.*2020.*[\s\S\n]*?)\>/\1/gp' test2.txt

它只捕获这个字符串：

<This is a line of text with a year=2020 month=12 in it
This line of text does not have a year or month in it

我尝试将 之间的第一段捕获为组

我在这里做错了什么？

【问题讨论】：

难道\< 和\> 有时也用作单词分隔符？

你这是什么意思？

我的意思是 GNU sed 正则表达式使用 \< 和 \> 作为单词的开始和结束分隔符。

【参考方案1】：

如果您想打印以<This 开头、包含2020 且仅包含它们的段落（由<...> 分隔），您可以尝试：

sed -En '/^</!d;:a;/>$/!N;ba;;/<This.*2020/p;' test2.txt

只要模式空间不以<开头，就会被删除并开始一个新的循环（/^</!d）。

然后，只要模式空间不以> 结尾，就会追加新行，但不会开始新的循环，而是跳转到a 标签（/>$/!N;ba;）。

当整个段落存储在模式空间中时，我们退出此循环并应用最后一个命令 (^<This.*2020/p)：如果模式空间与您的模式匹配，则将其打印。终于，一个新的循环开始了。

当然，正则表达式必须适应您的需要。如果段落分隔符可以在空格之前（之后），例如，使用：

sed -En '/^[[:space:]]*</!d;:a;/>[[:space:]]*$/!N;ba;;/<This.*2020/p;' test2.txt

【讨论】：

我用这个命令修复了它： sed -i -En '/./H;$!d ; X ; s///p' test2.txt 但现在我有新问题要检查？ unix.stackexchange.com/questions/662974/…

【参考方案2】：

使用 GNU Awk，您可以将 RS 指定为正则表达式。

bash gawk -v RS='[<>]' /This.*2020/ <<\:
> <This is a line of text with a year=2020 month=12 in it This line of
> text does not have a year or month in it This year=2021 is the current
> year the current month=1 This is the year=2021 the month=2/>
> 
> <This is a line of text with a year=33020 month=12 in it This line of
> text does not have a year or month in it This year=33020 is the
> current year the current month=1 This is the year=33020 the month=2/>
> :
This is a line of text with a year=2020 month=12 in it
This line of text does not have a year or month in it
This year=2021 is the current year the current month=1
This is the year=2021 the month=2/

如您所见，这也会修剪分隔符；但添加回来并不难（提示： print "<" $0 ">" ）。