如何用唯一编号的标记跨度替换定界跨度？

Question

我有一个文件，其中包含由 <BD> begin 和 <ED> end delimiters 分隔的文本，并且允许嵌套。我希望更改这些分隔符以唯一地指示它们之间的每个文本范围。这些分隔符可以是任意字符串。例如：

%{                         # Begin delimiter <BD>
}%                         # End delimiter <ED>

我希望用唯一编号的标记替换分隔符：

<BM><UniqueNumber><BM>     # <BD> is replaced by <BM>i<BM>
<EM><UniqueNumber><EM>     # <ED> is replaced by <EM>i<EM>

<BM> 和 <EM> 是任意长度的字符串，可以是二进制的，并且不存在于正在处理的文件中。例如，在大多数文本文件中，可以将$'\x01' 用于<BM>，将$'\x02' 用于<EM>。

例如，文件包含分隔的文本范围，包括嵌套范围：

A %{ B
C %{ D
E }% F %{ G }% H }% I
J %{ K }% L

字母 A..L 可以是任何文本。转换产生：

A <BM>0<BM> B
C <BM>1<BM> D
E <EM>1<EM> F <BM>2<BM> G <EM>2<EM> H <EM>0<EM> I
J <BM>3<BM> K <EM>3<EM> L

注意：我不是在寻找表示嵌套级别的编号；我正在寻找每个匹配的 <BM>i<BM>...<EM>i<EM> 文本跨度以唯一整数标记，从 0 向上计数。

而且，我希望能够存储为标记 0..N-1 生成的最大数量 N。我在想象 Bash 函数：

ChangeMarkup()
{
   local InputFile="$1"
   local OutputFile="$2"
   local BD="$3"   # Begin delimiter
   local ED="$4"   # End delimiter
   local BM="$5"   # Begin unique numbered marker
   local EM="$6"   # End unique numbered marker
   local -i N=0    
   # ... convert InputFile to OutputFile, incrementing N for each span
   echo "$N"       # Echo the number of spans
}

# Example invocation:
NSpans=$(ChangeMarkup infile outfile '%{' '}%' $'\x01' $'\x02')

我认为，解决方案是这样的：

• 初始化N=0
• 扫描<BD> 并将N 推入堆栈。将<BD> 替换为<BM>$N<BM>。递增N。
• 扫描<ED>并替换为<EM><pop stack><EM>
• 最后，回显$N

我在想 Bash 脚本中的一些 awk 可能会派上用场。我认为这超出了 sed 的能力。我也对 python 或任何可以用 Bash 脚本编写的解决方案持开放态度，仅限于使用 CentOS 7 Minimal iso 中可用的软件包。不幸的是，这意味着不能考虑 perl。

Answer 1

如果，你可以使用gnu-awk和RT special variable

awk -v BD='%{' -v ED='}%' -v BM='<BM>' -v EM='<EM>' '
    BEGIN{i=c=-1; RS=BD"|"ED}
    RT==BD {++i; ++c; d[i]=c; tag=BM}
    RT==ED {tag=EM}
    {printf "%s%s%s%s",$0,tag,d[i],tag}
    RT==ED{--i; if(i==-1) tag=""}
' file

你明白了，

A <BM>0<BM> B
C <BM>1<BM> D
E <EM>1<EM> F <BM>2<BM> G <EM>2<EM> H <EM>0<EM> I
J <BM>3<BM> K <EM>3<EM> L

编辑：要求 (2)

如果检测到不正确的嵌套，该脚本可以返回错误代码吗？例如：%{ A }% }% 第二个没有

awk -v BD='%{' -v ED='}%' -v BM='<BM>' -v EM='<EM>' '
    BEGIN{i=c=-1; RS=BD"|"ED}
    RT==BD {++i; ++c; d[i]=c; tag=BM}
    RT==ED {tag=EM}
    {
        if(i<0 && tag!=""){
            print "Error <ED> without opener" > "/dev/stderr"
            exit 1
        }
        printf "%s%s%s%s",$0,tag,d[i],tag
    }
    RT==ED{--i; if(i==-1) tag=""}
    END{
        if(i!=-1){
            print "Error <BD> without closer" > "/dev/stderr"
            exit 1
        }
    }
' file

编辑：要求 (1)

允许 and 被转义？也就是说，如果这些分隔符前面有反斜杠，则不视为分隔符

和转义为 \%{ 和 \}% 例如

awk -v BD='%{' -v ED='}%' -v BM='<BM>' -v EM='<EM>' '
    BEGIN{i=c=-1; RS="\\\\"BD"|\\\\"ED"|"BD"|"ED}
    RT==BD {++i; ++c; d[i]=c; tag=BM}
    RT==ED {tag=EM}
    RT~/^\\/{printf "%s%s",$0,RT; next}
    {
        if(i<0 && tag!=""){
            print "Error <ED> without opener" > "/dev/stderr"
            exit 1
        }
        printf "%s%s%s%s",$0,tag,d[i],tag
    }
    RT==ED{--i; if(i==-1) tag=""}
    END{
        if(i!=-1){
            print "Error <BD> without closer" > "/dev/stderr"
            exit 1
        }
    }
' file

带输入文件

A %{ B
C %{ D
E }% F %{ G }% H }% I
J %{ K }% L\%{ M\}%O

你明白了，

A <BM>0<BM> B
C <BM>1<BM> D
E <EM>1<EM> F <BM>2<BM> G <EM>2<EM> H <EM>0<EM> I
J <BM>3<BM> K <EM>3<EM> L\%{ M\}%O