用子字符串替换后续分隔符之间的字符串

Posted 2023-03-15

【中文标题】用子字符串替换后续分隔符之间的字符串

【英文标题】：Replace string between subsequent delimiters with substring

【发布时间】：2018-03-29 12:41:02

【问题描述】：

我有一个 17GB 管道分隔的 .txt 文件，需要将第 32 和第 33 管道之间超过 10 个字符的任何字符串替换为其前 10 个字符，以便在不打开文件的情况下填充数据库列在崇高的文本中；所以它需要通过 Java 或 AIX-BASH 来完成。在regex101.com，我试图实现以下帖子中提出的想法：

RegEx: Match nth occurence

但它并不仅仅将匹配的模式限制为我的替换字符串。

示例输入：

|12210|IA||15||i956-743||||||l.4073||||a5015b3ed||l.464939|IC|||06 06:18:17||wireered||ENTITY|wirvered|2||||NoPodfoundorpoddoesnothaveedgetob-rd=l.415.63Z|REY||||RY|REY||

预期输出：

将...|NoPodfundddorpoddoesnot...|... 更改为...|NoPodfundd|...

替换/截断后的完整输出字符串：

|12210|IA||15||i956-743||||||l.4073||||a5015b3ed||l.464939|IC|||06 06:18:17||wireered||ENTITY|wirvered|2||||NoPodfundd|REY||||RY|REY||

尝试正则表达式匹配：

^(?:[^|]*\|)32[^|]+\| 匹配从开头到第 33 个 | 的所有内容，所以是 |12210.......l.415.63Z|，但我希望它只匹配管道 32 和 33 之间的字符串，特别是 NoPodfoundorpoddoesnothaveedgetob-rd=l.415.63Z，用于替换目的。

更新 1； 2017 年 10 月 18 日：

(^(?:[^|]*\|)32[^|]0,10)([^|]*)(\|.*$) 组捕获替换为\1\3 提供了所需的结果。但是这场比赛肯定有缺陷，因为它似乎在捕获一个非捕获组(?:[^|]*\|)。

更新 2； 2017 年 10 月 19 日：

在 PUTTY 命令行中尝试了以下命令，但它没有编辑文件：

cat subStrTest.txt
awk 'BEGINFS=OFS="|"$33=substr($33,1,10) 1' subStrTest.txt

https://www.gnu.org/software/gawk/manual/html_node/String-Functions.html 建议

string = substr(string,startIndex,numOfCharacters)

是有效的语法，至少对于gawk，但我不知道是否赋值

$33=substr($33,1,10)

对于用$ 引用的字符串有效，如$33 中的awk

【问题讨论】：

如果你在 unix/linux 上运行，为什么不使用sed？

尝试使用 awk。非常适合这种情况。

没有缺陷，它是捕获非捕获组，因为它嵌套在捕获组中，因此会被捕获。使用其他风格的正则表达式，您可以不使用第一个捕获组，因为可以使用 \K 令牌。在 regex101 上尝试 ^(?:[^|]*\|)32\K(([^|]0,10)[^|]*)(?=\|)。不幸的是，Java 不支持这个令牌（据我所知）

是的，这是 awk 的工作。猜猜它会是这样的：awk 'BEGIN FS="|"; OFS="|"; $33= substr ($33,1,10); print; '

请查看这个问题的答案：***.com/questions/46600250/… 我认为只需稍作调整，该解决方案就会满足您的需求。它与上面的 Lorinczy 基本相同。

【参考方案1】：

您可以创建匹配组并将其替换为其他数据 ^(?:[^|]*\|)32([^|]+)\|

【参考方案2】：

See regex in use here

正则表达式

^((?:[^|]*\|)32)(([^|]0,10)[^|]*)(?=\|)

替换

\1\3