sed regex 无法捕获包含该模式的整个段落

Question

我有这个 XML 文件（示例）

<This is a line of text with a year=2020 month=12 in it
This line of text does not have a year or month in it
This year=2021 is the current year the current month=1
This is the year=2021 the month=2/>


<This is a line of text with a year=33020 month=12 in it
This line of text does not have a year or month in it
This year=33020 is the current year the current month=1
This is the year=33020 the month=2/>

使用sed我的 Linux 发行版 (sed (GNU sed) 4.2.2) 提供的安装，我在这个文件中使用以下正则表达式进行搜索：

 sed -En 'N;s/\<(This.*2020.*[\s\S\n]*?)\>/\1/gp' test2.txt

但是，它仅捕获此字符串：

<This is a line of text with a year=2020 month=12 in it
This line of text does not have a year or month in it

但是我尝试捕获包含模式的和之间的整个第一段。<>

我在这里做错了什么？

Answer 1

当你想到这个不工作的原因是，<并>没有需要在正则表达式来进行转义做，他们没有任何特殊含义。然而，\<和\> 你有GNU扩展正则表达式（你与激活特殊的含义-E）：他们在单词边界匹配。\<匹配单词的开头和\>结尾。所以\<(This实际上不是匹配<，而是匹配单词的开头This。最后的也类似\>。GNUsed手册有一个例子，这几乎正是你所追求的：

$ sed -En '/./{H;1h;$!d} ; x; s/(<This.*2020.*?>)/\1/p;' file
<This is a line of text with a year=2020 month=12 in it
This line of text does not have a year or month in it
This year=2021 is the current year the current month=1
This is the year=2021 the month=2/>

我觉得sed特别不适合这种任务。我会用perl：

$ perl -000 -ne 'chomp;/<.*2020.*?>/s && print "$_\n"; exit' file
<This is a line of text with a year=2020 month=12 in it
This line of text does not have a year or month in it
This year=2021 is the current year the current month=1
This is the year=2021 the month=2/>

在这里，我们在“段落模式” ( -000)中使用 Perl，这意味着“行”由两个连续\n字符定义，由一个空行定义。该脚本将：

• chomp：删除“行”（段落）末尾的尾随换行符。
• /<.*2020.*?>/s && print "$_\n"：如果此“行”（段落）匹配 a <then 0 或多个字符直到2020和零个或多个字符然后 a >，则打印此行并附加换行符 ( print "$_\n")。s匹配运算符的修饰符允许.匹配换行符。

另一种选择是awk：

$ awk 'BEGIN{RS="\n\n"} /<.*2020.+?>/' file
<This is a line of text with a year=2020 month=12 in it
This line of text does not have a year or month in it
This year=2021 is the current year the current month=1
This is the year=2021 the month=2/>

我们将记录分隔符设置RS为两个连续的换行符，然后使用与上面相同的正则表达式进行匹配。由于在awk找到匹配项（或任何其他操作返回 true）时的默认行为是打印当前记录，这将打印出您需要的内容。

Answer 2

首先，大多数文本处理工具，例如sed或awk逐行工作，因此匹配整个段落需要一点额外的努力。这是可能的，但这也是您看到的意外输出的原因之一。

其次，由于 XML 标记分隔字符，您的输入看起来像结构化文本。因此，最好使用xmlstarlet或其他专用工具对其进行处理。（更新：既然您现在在评论中确认了这一点，我强烈建议您使用xmlstarlet或类似的工具。）

也就是说，如果您的文本看起来像您的示例，并且您的awk安装接受多字符记录分隔符（如 GNU Awk），则以下程序应该可以工作：

awk -v RS="<|/>" '/2020/' input.txt

的RS变量，如果由多于一个字符的，将被解释为正则表达式，所以不管是<或/>将“记录分隔符”来处理，而不是默认的\n。因此，任何匹配条件都将应用于这些标签之间的整个文本，而不仅仅是单个行。

结果：

This is a line of text with a year=2020 month=12 in it
This line of text does not have a year or month in it
This year=2021 is the current year the current month=1
This is the year=2021 the month=2

请注意，“tag-open”<和“tag-close”/>字符组合从输出中删除，因为它们被选为记录分隔符。另一方面，这意味着如果“段落”没有被空行分隔，它也将起作用。（但是，如果在这些标签之外有与您的模式匹配的“杂散”文本，它也会被匹配。）

You would place the regular expression you are looking for inside the / ... / part of the program (just as in a sed adress statement). If you are looking for a fixed string, however, I would recommend

This is a line of text with a year=2020 month=12 in it
This line of text does not have a year or month in it
This year=2021 is the current year the current month=1
This is the year=2021 the month=2

instead.

Answer 3

假设一个格式良好的 XML 文档是这样的：

<root>
<thing  year="2019"
        month="1"
        day="1" />
<thing  year="2020"
        month="5"
        day="13" />
<thing  year="2021"
        month="7"
        day="3" />
</root>

您可以使用如下方式提取每个thing节点的副本，这些节点2020在其year属性中具有该值xmlstarlet：

$ xmlstarlet sel -t -c '//thing[@year = "2020"]' -nl file
<thing year="2020" month="5" day="13"/>

请注意，节点内在其属性之间的空白与文档的内容无关。