如何让“grep -zoP”分别显示每场比赛？

Question

我在这个表格上有一个文件：

X/this is the first match/blabla
X-this is
the second match-

and here we have some fluff.

我想提取出现在“X”之后和相同标记之间的所有内容。所以如果我有“X+match+”，我想得到“match”，因为它出现在“X”之后和标记“+”之间。

所以对于给定的示例文件，我希望得到这个输出：

this is the first match

然后

this is
the second match

我设法获得了 X 之间的所有内容，后跟一个标记：

grep -zPo '(?<=X(.))(.|\n)+(?=\1)' file

即：

• grep -Po '(?<=X(.))(.|\n)+(?=\1)' 匹配 X 后跟 (something)，后者被捕获并在末尾与 (?=\1) 匹配（我的代码基于 my answer here）。
• 请注意，我使用 (.|\n) 匹配任何内容，包括新行，并且我还在 grep 中使用 -z 匹配新行。

所以这很好用，唯一的问题来自输出的显示：

$ grep -zPo '(?<=X(.))(.|\n)+(?=\1)' file
this is the first matchthis is
the second match

如您所见，所有匹配项一起出现，“这是第一个匹配项”后面是“这是第二个匹配项”，根本没有分隔符。我知道这来自“-z”的使用，它将所有文件 视为一组行，每行都以零字节（ASCII NUL 字符）而不是换行符结束（引用“人 grep")。

那么：有没有办法分别获得所有这些结果？

我也在 GNU Awk 中尝试过：

awk 'match($0, /X(.)(\n|.*)\1/, a) {print a[1]}' file

但即使是 (\n|.*) 也不起作用。

Answer 1

awk 不支持正则表达式定义中的反向引用。

解决方法：

$ grep -zPo '(?s)(?<=X(.)).+(?=\1)' ip.txt | tr '\0' '\n'
this is the first match
this is
the second match

# with ripgrep, which supports multiline matching
$ rg -NoUP '(?s)(?<=X(.)).+(?=\1)' ip.txt
this is the first match
this is
the second match

也可以使用(?s)X(.)\K.+(?=\1) 代替(?s)(?<=X(.)).+(?=\1)。此外，您可能希望在此处使用非贪婪量词以避免匹配 match+xyz+foobaz 输入 X+match+xyz+foobaz+

与perl

$ perl -0777 -nE 'say $& while(/X(.)\K.+(?=\1)/sg)' ip.txt
this is the first match
this is
the second match

Answer 2

这是另一个使用 RS 和 RT 的 gnu-awk 解决方案：

awk -v RS='X.' 'ch != "" && n=index($0, ch) {
   print substr($0, 1, n-1)
}
RT {
   ch = substr(RT, 2, 1)
}' file

this is the first match
this is
the second match

Answer 3

使用 GNU awk 实现多字符 RS、RT 和 gensub()，无需将整个文件读入内存：

$ awk -v RS='X.' 'NR>1{print "<" gensub(end".*","",1) ">"} {end=substr(RT,2,1)}' file
<this is the first match>
<this is
the second match>

显然我添加了“”，这样您就可以看到每个输出记录的开始/结束位置。

以上假设X之后的字符不是非重复正则表达式元字符（例如.、^、[等）所以YMMV

Answer 4

用例有点问题，因为一旦打印匹配项，就会丢失有关分隔符确切位置的信息。但如果可以接受，请尝试通过管道发送到 xargs -r0。

grep -zPo '(?<=X(.))(.|\n)+(?=\1)' file | xargs -r0

这些选项是 GNU 扩展，但 grep -z 和（大部分）grep -P 也是如此，所以也许这是可以接受的。

Answer 5

GNU grep -z 以空字符终止输入/输出记录（与sort -z 等其他工具结合使用时很有用）。 pcregrep 不会那样做：

pcregrep -Mo2 '(?s)X(.)(.+?)\1' file

-o<em>number</em> 用于代替环视。 ? 添加了惰性量词（以防\1 稍后出现）。