获取引号之间的单词答案

【问题标题】：Get word between quotes获取引号之间的单词
【发布时间】：2012-12-21 13:14:20
【问题描述】：

我有 x 行是这样的：

Unable to find latest released revision of 'CONTRIB_046578'.

我需要在这个例子中提取revision of '和'之间的单词CONTRIB_046578，如果可能的话，使用grep、sed或任何其他命令计算该单词的出现次数?

【问题讨论】：

你有没有付出任何努力？
这个词有重复吗？中间是否还有其他需要丢弃的线？
而不是在 ' ' 之间找到单词，我怎样才能在“revision of '”和“'”之间找到单词？

标签： linux unix sed awk grep

【解决方案1】：

最干净的解决方案是grep -Po "(?<=')[^']+(?=')"

$ cat file
Unable to find latest released revision of 'CONTRIB_046578'
Unable to find latest released revision of 'foo'
Unable to find latest released revision of 'bar'
Unable to find latest released revision of 'CONTRIB_046578'

# Print occurences 
$ grep -Po "(?<=')[^']+(?=')" file
CONTRIB_046578
foo
bar
CONTRIB_046578

# Count occurences
$ grep -Pc "(?<=')[^']+(?=')" file
4

# Count unique occurrences 
$ grep -Po "(?<=')[^']+(?=')" file | sort | uniq -c 
2 CONTRIB_046578
1 bar
1 foo

【讨论】：

【解决方案2】：

您只需要一个非常简单的 awk 脚本来计算引号之间的出现次数：

awk -F\' '{c[$2]++} END{for (w in c) print w,c[w]}' file

使用@anubhava 的测试输入文件：

$ cat file
Unable to find latest released revision of 'CONTRIB_046572'
Unable to find latest released revision of 'CONTRIB_046578'
Unable to find latest released revision of 'CONTRIB_046579'
Unable to find latest released revision of 'CONTRIB_046570'
Unable to find latest released revision of 'CONTRIB_046579'
Unable to find latest released revision of 'CONTRIB_046572'
Unable to find latest released revision of 'CONTRIB_046579'
$
$ awk -F\' '{c[$2]++} END{for (w in c) print w,c[w]}' file
CONTRIB_046578 1
CONTRIB_046579 3
CONTRIB_046570 1
CONTRIB_046572 2

【讨论】：

而不是在 ' ' 之间找到单词，我怎样才能找到介于：“revision of '”和“'”之间的单词？
有很多选项取决于您输入的内容，您试图避免错误匹配。一种方法是awk -F "(^.*revision of '|'[^']*$)" '{c[$2]++} END{for (w in c) print w,c[w]}' file。如果这对您不起作用，请告诉我们原因并提供更具代表性的输入文件。

【解决方案3】：

这是一个 awk 脚本，您可以使用它来提取和计算单引号中每个单词的出现频率：

awk '{for (i=1; i<=NF; i++) {if ($i ~ /^'"'.*?'"'/ ) cnt[$i]++;}} 
      END {for (a in cnt) {b=a; gsub(/'"'"'/, "", b); print b, cnt[a]}}' infile

测试

cat infile
Unable to find latest released revision of 'CONTRIB_046572'
Unable to find latest released revision of 'CONTRIB_046578'
Unable to find latest released revision of 'CONTRIB_046579'
Unable to find latest released revision of 'CONTRIB_046570'
Unable to find latest released revision of 'CONTRIB_046579'
Unable to find latest released revision of 'CONTRIB_046572'
Unable to find latest released revision of 'CONTRIB_046579'

输出：

 awk '{for (i=1; i<=NF; i++) {if ($i ~ /^'"'.*?'"'/ ) cnt[$i]++;}} 
      END {for (a in cnt) {b=a; gsub(/'"'"'/, "", b); print b, cnt[a]}}' infile

CONTRIB_046579 3
CONTRIB_046578 1
CONTRIB_046570 1
CONTRIB_046572 2

【讨论】：

【解决方案4】：

sed 's/.*\'(.*?)\'.*/$1/' myfile.txt

【讨论】：

【解决方案5】：

假设：

每个单词可以出现多次，OP 想要统计每个单词出现的次数。
文件中没有其他行

输入文件：

$ cat test.txt 
Unable to find latest released revision of 'CONTRIB_046578'.
Unable to find latest released revision of 'CONTRIB_046572'.
Unable to find latest released revision of 'CONTRIB_046579'.
Unable to find latest released revision of 'CONTRIB_046570'.
Unable to find latest released revision of 'CONTRIB_046572'.
Unable to find latest released revision of 'CONTRIB_046578'.

用于过滤和统计单词的Shell脚本：

$ sed "s/.*'\(.*\)'.*/\1/" test.txt | sort | uniq -c
  1 CONTRIB_046570
  2 CONTRIB_046572
  2 CONTRIB_046578
  1 CONTRIB_046579

【讨论】：

分段错误错误。 te 文件中还有其他行，顺便说一下，搜索应该在“revision of '”和“'”之间。

【解决方案6】：

如果下面的测试文件代表实际问题中的文件，那么下面的文件可能会有用。

基于测试文件中的每一行都是同质的 - 也就是说，格式正确并包含 8 列（或字段） - 使用 cut 命令的便捷解决方案如下如下：

文件：

Unable to find latest released revision of 'CONTRIB_046572'
Unable to find latest released revision of 'CONTRIB_046578'
Unable to find latest released revision of 'CONTRIB_046579'
Unable to find latest released revision of 'CONTRIB_046570'
Unable to find latest released revision of 'CONTRIB_046579'
Unable to find latest released revision of 'CONTRIB_046572'
Unable to find latest released revision of 'CONTRIB_046579'

代码：

cut -d ' ' -f 8 file | tr -d "'" | sort | uniq -c

输出：

1 CONTRIB_046570
2 CONTRIB_046572
1 CONTRIB_046578
3 CONTRIB_046579

代码注意：cut用来分隔每个字段的默认分隔符是tab，但是由于我们要求分隔符是单个空格来分隔每个字段，所以我们指定选项-d ' '。其余代码与其他答案类似，这里不再重复。

一般说明：如果文件格式不正确，如我上面已经提到的，此代码可能无法达到所需的输出。

【讨论】：