Perl 提取组，从不同的行向后看答案

【问题标题】：Perl extract group with lookbehind from different linePerl 提取组，从不同的行向后看
【发布时间】：2019-06-01 00:03:44
【问题描述】：

我尝试了网络搜索并阅读了关于 stackexchange 的几个答案，但仍然无法理解为什么命令不提取任何内容。最后我想从不同的行提取组，例如来自

Code>TEST1<Code Code2>best<Code2
Code>test2<Code
Type>false<Type

通过在Type 之间找到所需的密钥并在结果上方提取第一个Code，因此在上面的情况下得到test2。但我无法成功地从多行中提取一些东西，即

perl -lne 'print $1,"_",$2 if /Code>(.*)<Code[\s\S\n]*?Type>(.*)<Type/'<test.txt 不打印任何内容。
我玩过删除ln 参数和添加/删除贪婪? 并尝试用. 代替[\s\S\n]。

perl -lne 'print $1,"_",$2 if /Code>(.*)<Code[\s\S\n]*?Code2>(.*)<Code2/'<test.txt 给出TEST1_best，所以同一行提取工作。

我错过了什么？我想要的可以在一行命令中完成吗？

【问题讨论】：

-n 导致代码每行都运行，所以$_ 只包含一行。至少，你需要-0777 让-n 一次读取整个文件。
@ikegami，我尝试删除-n，-0777 是什么 - 其他参数？
如果您忽略了-n，您将得到一个根本不读取任何内容的程序！
就像我说的，它会导致-n（嗯，从技术上讲，任何readline aka <> aka <$fh> aka <FH>）一次读取整个文件而不是一行一次。
@ikegami，在阅读了更多关于 perl 的内容后，我现在想象你在写第二条评论时笑了，我自己也想笑。

标签： regex perl

【解决方案1】：

以下命令回答了您的问题：它收集包含在 Code>...<Code 模式中的所有值，如果它们后面跟着 Type>...<Type 模式（两者之间可能有其他模式，但两者之间没有出现其他 Code>...<Code ):

perl -lne 's/^.*?(?=Code>)//s; for (split /Code>/) { print qq($1:$2\n) if /(.*?)<Code.*?Type>(.*?)<Type/s }' -0777 <test.txt

如果例如test.txt 包含以下几行，

Code>test4<Code Type>false<Type
Code>test3<Code
Type>true<Type
Code>TEST1<Code Code2>best<Code2
Code>test2<Code
Type>false<Type

然后该命令将收集以下值对：

test4:false
test3:true
test2:false

于 2019 年 4 月 8 日 17:38 CEST 编辑我编辑了命令以删除文件的“标题部分”（第一次出现之前的部分Code>)，因为它可能 - 由于文件编辑器的一些错误 - 包含一个结束标签 <Code，它不是用 Code> 打开的，而是有一个错字，例如Cde>。我的假设是完整的文件是“语法正确的”，因为它由/(\w+)>.*?<\1/ 类型的元素组成，由空格分隔（包括换行符）。对于不符合此语法的文件，该语句不防水。

【讨论】：

谢谢。我试图用谷歌搜索perl -0777 option，但看起来与顶级结果无关。我在哪里可以阅读有关 perl 的详细信息？例如关于转义单引号的信息似乎也不同，恕我直言，很难找到确定的信息。我问的部分原因是我需要根据其他搜索调整您的代码，例如将 Code> 更改为 Cod> 会打印文件第一行的开头，我更喜欢它显然什么也找不到。
o，对于单引号 stackoverflow.com/questions/16700565/… 接受的答案不会对您的代码产生错误，而更改为双引号会产生错误。实际上试图添加信号引用导致我发现找到一些东西而不是什么。
@AlexeiMartianov 用于在读取行时更改文件分隔符的选项 -0 在我期望的地方进行了描述：在标准 perlrun 文档中。它还描述了-0777 广泛用于“slurp 模式”（即通过一次 readline 调用读取整个文件）。
谢谢。它用于日志文件 - 它们可能包含有问题的标签，可能根本不包含，并且可能在间歇性的地方包含任何东西，看起来我最好提到这些有问题的东西。至于完整的 perl 文件建议，我需要在不同的地方运行代码，将行复制到命令提示符要容易得多。
msixpodualngcer 是一整套可用的正则表达式修饰符，每个修饰符都是一个字母。对于任何正则表达式，您可以添加任意多个修饰符。现在阅读perldoc.perl.org/perlre.html#Modifiers中s的含义

【解决方案2】：

另一种方法，使用渐进匹配和嵌入代码

perl -lne 'while (/\b(?:Code>(.*?)<Code(?{$c=$1})|Type>(.*?)<Type(?{print qq($c:$2\n) if defined $c;undef $c}))\b/g){}' -0777 <test.txt

解释：

基本上，表达式查找Code>(.*?)<Code 或Type>(.*)<Type 的出现。这给出了未命名分组表达式中交替的基本形式：(?:Code>(.*?)<Code|Type>(.*?)<Type)。
组周围的词边界断言\b 确保关键字Code 和Type 匹配，但不匹配例如Code2 或 TType。
修饰符g 确保在字符串上逐步应用正则表达式。由于我想在表达式本身中提取结果，所以我将正则表达式放在一个空循环中，即while (/.../g) {}。
您假设一个语法规则Code ⟶ Type，即您在Code 标记之后查找Type 标记的出现。为此，Code 标记被存储在变量$c 中，代码表达式为(?{$c=$1})。如果找到Type 标记，则仅当以前找到Code 标记时才被视为匹配，这由定义了变量$c 的事实表明。在任何情况下，如果找到了Type 标记，则变量$c 将为undefd 以准备下一次搜索。这会在正则表达式的 Type 分支中给出代码评估 (${print qq($c:$2\n) if defined $c;undef $c;})。
请注意，Code>(.*?)<Code 和 Type>(.*?)<Type 标记的捕获可能是空字符串。这就是我使用undef $c 和if defined $c 而不是更简单的$c='' 和if $c 的原因。

【讨论】：

【解决方案3】：

如果你的数据在 'd' 中，通过 gnu sed；

sed -Ez 's/.*Code>(\w+)<Code\sType>\w*<Type.*/\1/' d

Perl

perl -ne 'BEGIN{undef $/} /Code>(\w+)<Code\nType>\w*<Type/; print $1' d

【讨论】：