Início / coding / Perguntas / 79560836
Accepted
JH Park
Asked: 2025-04-08 05:38:53 +0800 CST

Extraindo strings de um arquivo com sed e expressões regulares

  • 772

Gostaria de perguntar sobre como extrair strings específicas de um arquivo usando sed e expressões regulares.

Abaixo está o exemplo do arquivo de texto de entrada (testfile.txt):

# This file contains a short description of the columns in the
# meta-analysis summary file, named '/some/output/directory/result.txt'

# (Skipping some comment lines...)

# Input for this meta-analysis was stored in the files:
# --> Input File 1 : /some/input/directory/cohort1/dataset1_chrAll.regenie.txt
# --> Input File 2 : /some/input/directory/cohort2/subdir1/chrAll-out.txt
# --> Input File 3 : /some/input/directory/cohort2/subdir2/chrAll-out_ver2.txt
# --> Input File 4 : /some/input/directory/cohort3/resfile.txt
# --> Input File 5 : /some/input/directory/cohort4/regenie_res_chrAll.txt

Deste arquivo, gostaria de extrair a lista de nomes de arquivos de entrada, então o resultado deve ser algo como:

/some/input/directory/cohort1/dataset1_chrAll.regenie.txt
/some/input/directory/cohort2/subdir1/chrAll-out.txt
/some/input/directory/cohort2/subdir2/chrAll-out_ver2.txt
/some/input/directory/cohort3/resfile.txt
/some/input/directory/cohort4/regenie_res_chrAll.txt

Veja abaixo o que eu tentei:

Tentativa 1

Este é o comando inicial que usei.

cat testfile.txt | sed -e 's/\/some\/input\/directory\/([A-z0-9\/\.\-]*)\.txt/$1/g'

Resultado:

sed: -e expression #1, char 55: Invalid range end

Tentativa 2

Depois de alguma pesquisa, tentei escapar dos parênteses usando barras invertidas.

cat testfile.txt | sed -e 's/\/some\/input\/directory\/\([A-z0-9\/\.\-]*\).txt/$1/g'

Resultado:

sed: -e expression #1, char 56: Invalid range end

Então isso não resolveu o problema.

Tentativa 3

Também tentei escapar dos colchetes.

cat testfile.txt | sed -e 's/\/some\/input\/directory\/\(\[A-z0-9\/\.\-\]\*\)\.txt/$1/g'

Resultado:

# This file contains a short description of the columns in the
# meta-analysis summary file, named '/some/output/directory/result.txt'

# (Skipping some comment lines...)

# Input for this meta-analysis was stored in the files:
# --> Input File 1 : /some/input/directory/cohort1/dataset1_chrAll.regenie.txt
# --> Input File 2 : /some/input/directory/cohort2/subdir1/chrAll-out.txt
# --> Input File 3 : /some/input/directory/cohort2/subdir2/chrAll-out_ver2.txt
# --> Input File 4 : /some/input/directory/cohort3/resfile.txt
# --> Input File 5 : /some/input/directory/cohort4/regenie_res_chrAll.txt

Isso não gerou um erro, mas não era isso que eu queria.

Tentativa 4

Por fim, tentei adicionar a opção -r sem escapar parênteses ou colchetes.

cat testfile.txt | sed -re 's/\/some\/input\/directory\/([A-z0-9\/\.\-]*)\.txt/$1/g'

Resultado:

sed: -e expression #1, char 55: Invalid range end

Apareceu a mesma mensagem de erro na primeira tentativa.

Gostaria de perguntar quais são os problemas nas minhas linhas de comando e se há alguma solução possível para isso.

Obrigado.

regex

5 respostas

  1. Isso pode funcionar para você (GNU sed):

    sed -n 's/^# --> Input File [[:digit:]]\+ : //p' file

    Desative a impressão implícita usando a opção de linha de comando -n.

    Usando o comando de substituição e correspondência de padrões, procure uma linha que comece com a # --> Input File seguida por um ou mais dígitos seguidos por : e remova essa parte e imprima o restante.

    Uma alternativa:

    sed -nE 's/^# --> Input File [0-9]+ : (.*)/\1/p' file
    • 2
  2. Best Answer

    O que eu faria:

    $ grep -oP -- '--> .* \K(?:/[\w.-]+)+' file
/some/input/directory/cohort1/dataset1_chrAll.regenie.txt
/some/input/directory/cohort2/subdir1/chrAll-out.txt
/some/input/directory/cohort2/subdir2/chrAll-out_ver2.txt
/some/input/directory/cohort3/resfile.txt
/some/input/directory/cohort4/regenie_res_chrAll.txt

    A expressão regular corresponde ao seguinte:

    Nó Explicação
    --> '--> '
    .* qualquer caractere exceto \n (0 ou mais vezes (correspondendo à maior quantidade possível))
    espaço
    \K redefine o início da partida (o que é Kept) como uma alternativa mais curta ao uso de uma asserção look-behind: look arounds e Suporte de \K em regex
    (?: grupo, mas não capturar (1 ou mais vezes (correspondendo à maior quantidade possível)):
    / /
    [\w.-]+ qualquer caractere de: caracteres de palavras (az, AZ, 0-9, _), '.', '-' (1 ou mais vezes (correspondendo à maior quantidade possível))
    )+ fim do agrupamento
    • 1

  3. Com awk:

    $ awk '/-->/{print $NF}' file
/some/input/directory/cohort1/dataset1_chrAll.regenie.txt
/some/input/directory/cohort2/subdir1/chrAll-out.txt
/some/input/directory/cohort2/subdir2/chrAll-out_ver2.txt
/some/input/directory/cohort3/resfile.txt
/some/input/directory/cohort4/regenie_res_chrAll.txt
    • 1

  4. Com sed:

    sed -n '/Input File/s/.*: //p' YOURFILE
/some/input/directory/cohort1/dataset1_chrAll.regenie.txt
/some/input/directory/cohort2/subdir1/chrAll-out.txt
/some/input/directory/cohort2/subdir2/chrAll-out_ver2.txt
/some/input/directory/cohort3/resfile.txt
/some/input/directory/cohort4/regenie_res_chrAll.txt

    Isso diz... "execute sed, mas não imprima nada, a menos que veja uma linha contendo Input File. Se vir, substitua tudo, até dois pontos e um espaço, por nada e imprima o resultado."

    • 0

  5. Com Raku/Sparrow você pode adotar uma abordagem incremental dividindo expressões regulares complexas em uma sequência de etapas simples (chamada técnica de zoom in)

    note: look up lines with file path

within: ^^ \s* \S+ \s+  "-->" \s+ (.*)
regexp: ^^ "Input File" \s (.*)
regexp: ^^ \d+ \s ":" \s (.*)
end:

code: <<RAKU
!raku
for captures()<> -> $c {
   say $c[0]
}
RAKU
    • 0

relate perguntas