Início / unix / Perguntas / 407071
Accepted
João
Asked: 2017-11-26 20:02:47 +0800 CST

csplit não reconhece o regexp fornecido

  • 772

Estou trabalhando neste arquivo grande ( DATA.DAT , ~900MB) que contém vários outros arquivos. É de um jogo de PS2.

Amostras de som (que estão no formato .AIFF ), exatamente o que procuro, compõem a maior parte de seu tamanho.

Depois de pesquisar na web por extratores .DAT do PS2 , descobri que eles dependem basicamente do desenvolvedor e, como esse jogo/ferramenta é bastante obscuro e não encontro muito sobre ele online, pensei em automatizar o processo sozinho.

Inspecionando o arquivo em um editor hexadecimal, encontrei alguns cabeçalhos .AIFF , clonei os pedaços para novos arquivos .AIFF e, sem nenhum trabalho adicional, eles podiam ser reproduzidos.

Depois de passar um tempo tirando a ferrugem do meu conhecimento MUITO limitado de bash e lendo perguntas semelhantes aqui, criei esta expressão:

gcsplit -f "sample-" -b "%04d.aif" DATA.DAT /FORM/ '{*}'

(Estou no OSX usando coreutils, daí o prefixo g- no csplit)

Dado que os arquivos .AIFF começam com a string "FORM" e dado que basicamente todas as amostras no arquivo estão próximas umas das outras (espaçadas por quantidades desprezíveis de dados que não irão gerar ruído final indesejado nas amostras), pensei que o regexp

/FORM/

bastaria dividir os arquivos.

No entanto, cada arquivo dividido está sendo gerado com dados inúteis que ficam entre as amostras de som antes do cabeçalho .AIFF , tornando-o impossível de reproduzir.

Capturas de tela dos dados hexadecimais de uma amostra de som dividida abaixo:

divisão ruim

Esta amostra real começa aproximadamente na marca de 1500 bytes:

amostra

O que está fazendo essa expressão dividir os arquivos com um deslocamento?

osx csplit

2 respostas

  1. Best Answer

    Csplit é um utilitário de texto. É baseado em linha. Um padrão /FORM/significa “uma linha contendo FORM”. Uma linha é uma sequência de bytes diferente de LF (alimentação de linha, também conhecida como nova linha, que pode ser escrita \n, ^J, …), seguida por um byte LF (ou pelo final do arquivo, com utilitários GNU). Assim, o “lixo” que você observa é o que quer que esteja entre o caractere LF anterior e a FORMsubstring.

    A página do manual e a --helpbreve descrição assumem que você já sabe o que o comando faz, então eles apenas mencionam “peças” sem explicação. Você precisa ler a documentação completa para obter uma descrição do que são as peças.

    Você não pode fazer o que quiser com csplit. Você pode fazer isso com GNU awk. (Outras versões do awk podem não ter os recursos necessários — suporte a separadores de registro arbitrários e manipulação de bytes nulos.) Não testado:

    gawk -v RS='FORM' -v ORS='' '{
    print "FORM" $0 >sprintf("sample-%04d.aif", n++)
}' DATA.DAT

    Mas isso pode cortar em lugares espúrios se os dados compactados simplesmente contiverem os quatro bytes FORM. Isso pode ser bom o suficiente para uma operação única com revisão manual, mas seria melhor usar uma ferramenta com reconhecimento de formato se precisar de algo confiável.

    • 2

  2. Um utilitário baseado em texto não é apropriado para manipular arquivos binários.

    É provável que você obtenha melhores resultados com Lib/aifc , PySoundFile ou o aplicativo de linha de comando ffmpeg .

    • 0

relate perguntas