awk ：解析并写入另一个文件

Question

我在 XML 文件中有如下记录。我需要搜索<keyword>SEARCH</keyword>，如果存在，那么我需要获取整个记录并写入另一个文件。（从<record>to开始</record>）

下面是我的 awk 代码，它在循环内。$1保存每条记录的逐行值。

if(index($1,"SEARCH")>0)
{
print $1>> "output.txt"
}

这个逻辑有两个问题，

1. 它正在写入output.txt文件，只有<keyword>SEARCH</keyword>元素而不是整个记录（从<record>to开始</record>）
2. SEARCH 也可以出现在<detail>标签中。这段代码甚至会将该标签写入output.txt

XML文件：

<record category="xyz">
<person ssn="" e-i="E">
<title xsi:nil="true"/>
<position xsi:nil="true"/>
<names>
<first_name/>
<last_name></last_name>
<aliases>
<alias>CDP</alias>
</aliases>
<keywords>
<keyword xsi:nil="true"/>
<keyword>SEARCH</keyword>
</keywords>
<external_sources>
<uri>http://www.google.com</uri>
<detail>SEARCH is present in abc for xyz reason</detail>
</external_sources>
</details>
</record>
<record category="abc">
<person ssn="" e-i="F">
<title xsi:nil="true"/>
<position xsi:nil="true"/>
<names>
<first_name/>
<last_name></last_name>
<aliases>
<alias>CDP</alias>
</aliases>
<keywords>
<keyword xsi:nil="true"/>
<keyword>DONTSEARCH</keyword>
</keywords>
<external_sources>
<uri>http://www.google.com</uri>
<detail>SEARCH is not present in abc for xyz reason</detail>
</external_sources>
</details>
</record>

Answer 1

我将假设您发布的内容是一个示例，因为它不是有效的 XML。如果这个假设不成立，我的回答就不成立……但如果是这样的话，你真的需要用一份 XML 规范的卷起副本来打击给你 XML 的人，并要求他们'修理它'。

但实际上 -awk正则表达式不是这项工作的正确工具。XML 解析器是。使用解析器，做你想做的事情非常简单：

#!/usr/bin/env perl

use strict;
use warnings;

use XML::Twig; 

#parse your file - this will error if it's invalid. 
my $twig = XML::Twig -> new -> parsefile ( 'your_xml' );
#set output format. Optional. 
$twig -> set_pretty_print('indented_a');

#iterate all the 'record' nodes off the root. 
foreach my $record ( $twig -> get_xpath ( './record' ) ) {
   #if - beneath this record - we have a node anywhere (that's what // means)
   #with a tag of 'keyword' and content of 'SEARCH' 
   #print the whole record. 
   if ( $record -> get_xpath ( './/keyword[string()="SEARCH"]' ) ) {
       $record -> print;
   }
}

xpath很像正则表达式——在某些方面——但它更像是一个目录路径。这意味着它是上下文感知的，并且可以处理 XML 结构。

在上面：./表示“低于当前节点”，所以：

$twig -> get_xpath ( './record' )

表示任何“顶级”<record>标签。

但.//意味着“在任何级别，低于当前节点”，因此它将递归执行。

$twig -> get_xpath ( './/search' ) 

将获得<search>任何级别的任何节点。

方括号表示一个条件——要么是一个函数（例如text()获取节点的文本），要么你可以使用一个属性。例如，//category[@name]将找到具有名称属性的任何类别，并//category[@name="xyz"]进一步过滤这些类别。

用于测试的 XML：

<XML>
<record category="xyz">
<person ssn="" e-i="E">
<title xsi:nil="true"/>
<position xsi:nil="true"/>
<details>
<names>
<first_name/>
<last_name></last_name>
</names>
<aliases>
<alias>CDP</alias>
</aliases>
<keywords>
<keyword xsi:nil="true"/>
<keyword>SEARCH</keyword>
</keywords>
<external_sources>
<uri>http://www.google.com</uri>
<detail>SEARCH is present in abc for xyz reason</detail>
</external_sources>
</details>
</person>
</record>
<record category="abc">
<person ssn="" e-i="F">
<title xsi:nil="true"/>
<position xsi:nil="true"/>
<details>
<names>
<first_name/>
<last_name></last_name>
</names>
<aliases>
<alias>CDP</alias>
</aliases>
<keywords>
<keyword xsi:nil="true"/>
<keyword>DONTSEARCH</keyword>
</keywords>
<external_sources>
<uri>http://www.google.com</uri>
<detail>SEARCH is not present in abc for xyz reason</detail>
</external_sources>
</details>
</person>
</record>
</XML>

输出：

 <record category="xyz">
    <person
        e-i="E"
        ssn="">
      <title xsi:nil="true" />
      <position xsi:nil="true" />
      <details>
        <names>
          <first_name/>
          <last_name></last_name>
        </names>
        <aliases>
          <alias>CDP</alias>
        </aliases>
        <keywords>
          <keyword xsi:nil="true" />
          <keyword>SEARCH</keyword>
        </keywords>
        <external_sources>
          <uri>http://www.google.com</uri>
          <detail>SEARCH is present in abc for xyz reason</detail>
        </external_sources>
      </details>
    </person>
  </record>

注意 - 以上只是将记录打印到 STDOUT。这实际上是......在我看来，这不是一个好主意。尤其是因为 - 它不打印 XML 结构，因此如果您有多个记录（没有“根”节点），它实际上不是“有效”的 XML。

所以我会 - 完全完成你的要求：

#!/usr/bin/env perl

use strict;
use warnings;

use XML::Twig; 

my $twig = XML::Twig -> new -> parsefile ('your_file.xml'); 
$twig -> set_pretty_print('indented_a');

foreach my $record ( $twig -> get_xpath ( './record' ) ) {
   if ( not $record -> findnodes ( './/keyword[string()="SEARCH"]' ) ) {
       $record -> delete;
   }
}

open ( my $output, '>', "output.txt" ) or die $!;
print {$output} $twig -> sprint;
close ( $output ); 

这相反 - 反转逻辑，并删除（从内存中的解析数据结构）您不想要的记录，并将整个新结构（包括 XML 标头）打印到名为“output.txt”的新文件中。