Bash：提取出现多次的两个字符之间的文本答案

【问题标题】：Bash: extract text in between two characters which appears more than onceBash：提取出现多次的两个字符之间的文本
【发布时间】：2020-09-16 06:07:16
【问题描述】：

我有一个文件，其中包含三元组形式的图的节点和边。每行有 3 个三元组，但有时中间或末尾有文本：

<samplenode> <sampleEdge> <samplenode>
<samplenode> sometimestheristextinbetween<sampleEdge> <samplenode> and sometimes more at the end
<samplenode> <samplereEdge> <samplenode>

我需要一个只打印三元组并忽略中间文本的命令。所以它应该只包含<>之间的字符

可以包含<和>，也可以不包含。没关系，但应该分开。结果可能如下所示：

<samplenode> <sampleEdge> <samplenode>
<samplenode> <sampleEdge> <samplenode> 
<samplenode> <sampleEdge> <samplenode>

我用sed 尝试过，删除了两个模式之间的所有内容（> 和< 之间的所有内容），但它从来没有按照我想要的方式工作。

有人可以帮我解决吗？也许是grep或awk？

问候

【问题讨论】：

行尾可以留一个空格吗？
< 或 > 可以出现在任何其他上下文中，例如在sometimestheristextinbetween 文本中？
@PaulHodges 是的，没关系。
@EdMorton 不，它们不会出现在任何其他上下文中

标签： bash awk sed grep

【解决方案1】：

这是一些使用分隔符的 awk 游戏，使用示例输入进行测试。

awk -v RS="<" -F">" '{printf $1 (NR%3==1? "\n": " ")}' file

samplenode sampleEdge samplenode
samplenode sampleEdge samplenode
samplenode samplereEdge samplenode

【讨论】：

【解决方案2】：

以下看起来就足够了：

sed 's/[^>]*\(<[^>]*>\)[^<]*/\1 /g'

【讨论】：

【解决方案3】：

这可能对你有用（GNU sed）：

sed -E 's/^.*(<[^<>]*>).*(<[^<>]*>).*\1.*$/\1 \2 \1/' file

三元组的模式匹配（第一个也是第三个）并仅替换分隔的匹配空间。

【讨论】：

【解决方案4】：

sed 的另一个变体。

sed -E 's/>[^<]*(<*)/> \1/g'

这匹配从结束标记到另一个的打开（或行尾），并替换为关闭、空格和任何与另一个打开的测试匹配的内容（在 EOL 时为空）。

使用对您更有意义的阅读方式。

如果您不想使用-Extended 模式匹配，那么

sed 's/>[^<]*\(<*\)/> \1/g'

如果您不想要 EOL 的空间，请添加修剪。

sed -E 's/>[^<]*(<*)/> \1/g; s/ $//;'

【讨论】：

非 GNU 可能不允许使用分号，但您可以用换行符替换它们。

【解决方案5】：

我会采用 awk 的方法，您能否尝试以下应该适用于任何类型的 awk。

awk '
{
  val=""
  while(match($0,/<[^>]*/)){
    val=(val?val OFS:"")substr($0,RSTART,RLENGTH+1)
    $0=substr($0,RSTART+RLENGTH+1)
  }
  print val
}' Input_file

说明：为上述添加详细说明。

awk '                                                      ##Starting awk program from here.
{
  val=""                                                   ##Nullifying val here.
  while(match($0,/<[^>]*/)){                               ##Running whole loop and mentioning match inside it to match everything from < till very first occurence of > in current line.
    val=(val?val OFS:"")substr($0,RSTART,RLENGTH+1)        ##Creating val which has sub-string of matched part here.
    $0=substr($0,RSTART+RLENGTH+1)                         ##Re-creating current line where already matched part is removed.
  }
  print val                                                ##Printing val here.
}' Input_file                                              ##Mentioning Input_file name here.

【讨论】：

【解决方案6】：

另一个awk

$ awk 'BEGIN {b="<";e=">";FS="["b e"]"} 
             {for(i=2;i<=NF;i+=2) printf "%s ", b $i e; print ""}' file

<samplenode> <sampleEdge> <samplenode>
<samplenode> <sampleEdge> <samplenode>
<samplenode> <samplereEdge> <samplenode>

【讨论】：

【解决方案7】：

grep -o 将只打印该行的匹配部分（每行输出一个匹配），然后您可以使用paste 将结果列成三列。这取决于每行恰好有三个匹配项。

$ grep -o '<[^>]*>' file | paste - - -
<samplenode>        <sampleEdge>        <samplenode>
<samplenode>        <sampleEdge>        <samplenode>
<samplenode>        <samplereEdge>      <samplenode>

【讨论】：

如果你只想要一个空格分隔符，添加-s\ 或-s' '
这行得通，但如果<> 之间有超过 23 个字符，它将删除第 23 个字符之后的所有字符。
谢谢@SBKIT，对于这个用例来说，这根本不是pr 的一个很好的功能。更新为使用 paste。

【解决方案8】：

对于 FPAT 使用 GNU awk 并假设 < 和 > 均未出现在任何其他上下文中：

$ awk -v FPAT='<[^>]+>' '{$1=$1}1' file
<samplenode> <sampleEdge> <samplenode>
<samplenode> <sampleEdge> <samplenode>
<samplenode> <samplereEdge> <samplenode>

【讨论】：