使用 bash 从字符串中获取特定模式答案

【问题标题】：Grab certain pattern from string using bash使用 bash 从字符串中获取特定模式
【发布时间】：2011-12-20 12:40:56
【问题描述】：

这可能是问题的扩展： Incorporate variables into bash code line

我刚刚意识到，在我的文本中，行实际上是可变格式的。

2   118610455   P2_PM_2_5034    T   <DUP:TANDEM>    40  .   END=118610566;SVLEN=110;SVTYPE=TDUP;CIPOS=-100,55;CIEND=-56,100;IMPRECISE;DBVARID=esv7540;VALIDATED;VALMETHOD=CGH;SVMETHOD=RP 

1   859214  P2_M_061510_1_73    C   <DEL>   .   .   CIEND=-130,50;CIPOS=-57,93;END=860180;IMPRECISE;SVLEN=-966;SVTYPE=DEL;VALIDATED;DBVARID=esv10036;VALMETHOD=CGH;SVMETHOD=RD,RP

我需要的是

2 118610455 118610566
1 859214 860180

如上所示，"END=#" 可能在第 8 列的不同位置。所以基本上我需要先从第 8 列中找到“END=..”部分，然后 grep 数字。所以这实际上是关于如何从字符串中 grep 特定模式（在这种情况下，模式是“END =”）

但是我该怎么做呢？谢谢

【问题讨论】：

标签： string grep design-patterns

【解决方案1】：

Grep：

您可以使用grep 的-o 选项进行搜索：

测试：

[jaypal:~/Temp] grep -o "END=[0-9]\+;" file | tr -ds 'END=|;' ''
118610566
860180

但是，如果您正在寻找一个完整的解决方案，那么使用awk 怎么样（对不起，我知道这不是您的要求。但这里有两个解决方案：

Awk：

如果您想要的第一个和第二个参数的位置不变，那么我们可以将每个值拆分到特定字段中，然后遍历每个值。一旦我们到达END 的字段，我们就会打印$1 和$4，然后打印END 旁边的列。

awk -v FS="[ ;=]" '{for(i=1;i<=NF;i++) if ($i=="END") print $1,$4,$(i+1)}' file

测试：

[jaypal:~/Temp] cat file
2   118610455   P2_PM_2_5034    T   <DUP:TANDEM>    40  .   END=118610566;SVLEN=110;SVTYPE=TDUP;CIPOS=-100,55;CIEND=-56,100;IMPRECISE;DBVARID=esv7540;VALIDATED;VALMETHOD=CGH;SVMETHOD=RP 
1   859214  P2_M_061510_1_73    C   <DEL>   .   .   CIEND=-130,50;CIPOS=-57,93;END=860180;IMPRECISE;SVLEN=-966;SVTYPE=DEL;VALIDATED;DBVARID=esv10036;VALMETHOD=CGH;SVMETHOD=RD,RP

[jaypal:~/Temp] awk -v FS="[ ;=]" '{for(i=1;i<=NF;i++) if ($i=="END") print $1,$4,$(i+1)}' file
2 118610455 118610566
1 859214 860180

GNU AWK：

如果您有gawk，那么它有一个名为gensub 的内置函数。这支持反向引用。因此，您还可以执行以下操作 -

gawk '{print $1,$2,gensub(/.*\<END\>=(.[^;]*);.*/,"\\1",$0)}' file

测试：

[jaypal:~/Temp] gawk '{print $1,$2,gensub(/.*\<END\>=(.[^;]*);.*/,"\\1",$0)}' file
2 118610455 118610566
1 859214 860180

【讨论】：

【解决方案2】：

使用 sed：

$ cat input | sed -e 's/^\([0-9]\+\) \+\([0-9]\+\) .*\<END=\([0-9]\+\).*/\1 \2 \3/'

【讨论】：

【解决方案3】：

您可以为此使用 perl 脚本，例如：

pax> perl -ne '{
         @arr=split;
         if (@arr[7] =~ /^END=/) {
             @arr[7] =~ s/^END=//;
         } else {
             @arr[7] =~ s/^.*;END=//;
         }
         @arr[7] =~ s/;.*$//;
         printf "%s %s %s\n", @arr[0], @arr[1], @arr[7];
     }' <qq.in
2 118610455 118610566
1 859214 860180

为了便于阅读，我已对该脚本进行了格式化，但您也可以轻松地使用单行：

perl -ne '{@arr=split;if (@arr[7] =~ /^END=/) {@arr[7] =~ s/^END=//;} else {@arr[7] =~ s/^.*;END=//;} @arr[7] =~ s/;.*$//; printf "%s %s %s\n", @arr[0], @arr[1], @arr[7];}' <qq.in

一旦您了解它，它的工作方式就很简单。 split 为您提供行中元素的数组，您只需稍微修改数字 7。

如果它以END= 开头，就去掉那个位。否则，如果包括;END= 在内的所有内容，请摆脱。

然后删除第一个 ; 之后的所有内容（在已经修改的版本中，在开头有 END=N 的 N 位）。

然后只需打印出三个所需的值。

再想一想，还是把它简单一点可能会更好，比如：

pax> perl -ne '{
        ($a,$b,$x,$x,$x,$x,$x,$c,$x) = split;
        $c = ";$c";
        $c =~ s/^.*;END=//;
        $c =~ s/;.*$//;
        print "$a $b $c\n";
    }' <qq.in

或等效的单线：

perl -ne '{($a,$b,$x,$x,$x,$x,$x,$c,$x)=split;$c=";$c";$c=~s/^.*;END=//;$c=~s/;.*$//;print "$a $b $c\n";}' <qq.in

【讨论】：