从文本文件中提取信息

Question

我有一个文本文件，我想搜索如下标签：

<category="SpecificDisease">Type II human complement C2 deficiency</category>
<category="Modifier">Huntington disease</category>
<category="CompositeMention">hereditary breast and ovarian cancer</category>
<category="DiseaseClass">myopathy</category>

并生成以下内容并将它们写入新的文本文件。

Type II human complement C2 deficiency
Huntington disease
hereditary breast and ovarian cancer
myopathy

Answer 1

这看起来像一种 XML 或类似的标记语言文件。这样的文件不应该用简单的正则表达式解析，以免被唤醒？？？？？？？？？？这？？？？小马？. 您应该使用特定于该标记的解析器和您最喜欢的脚本语言。

这看起来像 OMIM 或 HPO 数据，在这种情况下，您应该能够获得简单的文本文件并简化事情。如果你不能而且真的需要解析这个文件，你可以在 perl 中做到这一点：

perl -lne '/<.*?>([^<>]+)/ && print $1' foo.txt

但是，如果每行有多个标记，或者标记的内容可以跨越多行，或者标记的数据可以包含>或，则这将中断<。如果您的所有信息始终介于 之间<category="whatever">blah blah</category>，则您可以获得更强大的所有信息（包括多行标签内容和嵌入的<或>）：

#!/usr/bin/env perl

## Set the start and end tags
$end="</category>"; 
$start="<category=.*?>"; 

## Read through the file line by line
while(<>){
    ## set $a to one if the current line matches $start
    $a=1 if /$start/; 
    ## If the current line matches $start, capture any relevant content.
    ## I am also removing any $start or $end tags if present.
    if(s/($start)*(.+)($end)*/$2/){
    push @lines,$2 if $a==1;
    }  
    ## If the current line matches $end, capture any relevant content,
    ## print what we have saved so far, set $a back to 0 and empty the
    ## @lines array
    if(/$end/){
    map{s/$end//;}@lines; 
    print "@lines\n";
    @lines=(); 
    $a=0
    }; 
}

将此脚本另存为foo.pl或其他，使其可执行并在您的文件上运行它：

./foo.pl file.txt

例如：

$ cat file.txt 
<category="SpecificDisease">Type II 
 human complement C2 deficiency</category>
<category="Modifier">Huntington disease</category>
<category="CompositeMention">hereditary breast < and ovarian cancer</category>
<category="DiseaseClass">myopathy > cardiopathy</category>

$ ./foo.pl file.txt 
Type II   human complement C2 deficiency
Huntington disease
hereditary breast < and ovarian cancer
myopathy > cardiopathy

不过，我再次强调，如果（很可能）您的文件比上面的示例更复杂，这将失败，并且需要更复杂的方法。