Perl 正则表达式帮助（解析列）答案

【问题标题】：Perl regular expression help (parse out column)Perl 正则表达式帮助（解析列）
【发布时间】：2011-03-26 01:24:54
【问题描述】：

我被困在这里。不知道为什么我的 reg ex 不起作用。我有一个带有一系列列的管道分隔文本文件。我需要提取第三列。

文件：

A|B|C|D|E|F|G|H|I
2011-03-03 00:00:00.0|1|60510271|254735|27751|BBB|1|-0.1619023623|-0.009865904
2011-03-03 00:00:00.0|1|60510270|254735|27751|B|3|-0.0064786612|-0.0063739185
2011-03-03 00:00:00.0|1|60510269|254735|27751|B|3|-0.0084998226|-0.009244384

正则表达式：

$> head foo | perl -pi -e 's/^(.*)\|(.*)\|(.*)\|(.*)$/$3/g'

输出

-0.1619023623
-0.0064786612
-0.0084998226

显然输出的列不正确。

想法？

【问题讨论】：

查看 Bllly 和 Gareth，了解您的正则表达式失败的原因。另外，括号里除了你喜欢挑出来的（第三个）就不用括号了，然后替换成$1 insread of $3。

标签： regex perl

【解决方案1】：

通常，对于具有结构化分隔符的文件格式，不使用正则表达式更容易/更简单（KISS）。只需将字符串拆分为“|”分隔符并获取第三个字段。

awk -F"|" '{print $3}' file

使用 Ruby(1.9+)

ruby -F"\|" -ane 'puts $F[2]' file

使用 Perl，它类似于上面的 Ruby 单线。

perl -F"\|" -ane 'print $F[2]."\n"' file

【讨论】：

@Zaid，是的，我总是忘记-l 开关

【解决方案2】：

你需要让你的模式变得贪婪——所以：

's/^(.*?)\|(.*?)\|(.*?)\|(.*)$/$3/g'

【讨论】：

或者不匹配这样的管道s/[^\|]+\|[^\|]+\|([^\|]+)\|/$1/g
非常感谢。那行得通。我在 perl 脚本中使用它来解析 500,000 条记录。它不起作用，所以我使用 cmd 行中的 perl 来测试我所拍的 te 表达式。

【解决方案3】：

.* 默认情况下会尽可能匹配，因此您的 RE 会选择 last 三列（以及之前的所有内容）而不是 first 三列（以及之后的一切）。您可以通过（至少）两种方式避免这种情况：（1）而不是.*，寻找[^|]*，或（2）使您的重复运算符非贪婪：.*?而不是.*。

（或者您可以显式拆分字符串，而不是使用单个 RE 匹配整个内容。您可能想尝试这两种方法，看看哪种方法性能更好，如果重要的话。拆分可能会提供更长但更清晰的代码。）

【讨论】：

【解决方案4】：

使用真正的解析器而不是破解一个正则表达式怎么样？ Text::CSV 应该可以胜任。

my $csv = Text::CSV->new({sep_char => "|"});

【讨论】：

【解决方案5】：

首先想到的是 Text::CSV（由 Matt B 提到），但如果数据看起来像示例，我会说 split 是正确的选择。

未经测试：

$> head foo | perl -le 'while (<>) { print (split m{|})[2]; }'

如果你真的想要一个正则表达式，我会使用这样的：

s{^ [^\|]* \| [^\|]* \| ([^\|]*) \| .*$}{$1}gx;

【讨论】：

【解决方案6】：

(?<=\|)\d{8}

也许这会起作用 (?<=\|) 积极寻找 | 字符后跟 8 位数字

【讨论】：