Regex: Corresponde apenas ao nível de lista mais profundo

Se você quiser usar regexps semelhantes ao perl, por que não usar o real:

<your-file perl -l -0777 -ne '
  while (m{^(\s*+)(\d+) (.*)$(?!\n\1\s)}mg) {
    $count{$3} += $2
  }
  END {
    printf "%4d %s\n", $count{$_}, $_ for sort keys %count
  }'

Que dá:

  84 aluminum dust
 168 carbon
  42 copper
 105 copper dust
  21 gold 24 carat
  21 gold dust
  84 iron
  84 iron dust
  42 lead dust
  63 silver dust
  63 tin dust

-0777 -nsignifica que toda a entrada é sugada para $_. O msinalizador ultiline para o m{...}operador faz com que ^e $corresponda no início e no final de cada linha $_em vez de apenas no início e no final de $_. Sem o s sinalizador, .não corresponde a um caractere de nova linha, mas cuidado com o \sque pode prejudicar as coisas aqui se houver linhas em branco na entrada.

\s*+é a versão sem retrocesso do \s*. Não é estritamente necessário aqui, pois o que segue ( \d+) não pode corresponder a um espaço em branco.

Standard grepnão oferece suporte a regexps semelhantes a perl, como aqueles \de (?!\1)operadores perl RE que você está usando, mas você pode usar pcregrepo que também oferece suporte -oa um modo multilinha com -M:

<your-file pcregrep -Mo '^(\s*+)\K.*$(?!\n\1\s)'

Você ainda precisaria canalizar para outra coisa como perlou awkfazer as somas, então isso tem pouca vantagem sobre usar perlpara tudo.

Se o recuo pode ter uma mistura de tabulações e espaços, você pode querer que a entrada passe por um expandou unexpandprimeiro para consolidá-los em apenas espaços ou apenas tabulações. Por padrão, eles consideram as paradas de tabulação com 8 colunas de distância, como a maioria dos terminais ou navegadores (mas não o stackexchange, que irritantemente tem 4 colunas de distância), mas veja a -topção de mudar isso.

Uma linha é um "ingrediente primitivo" (primi) se seu nível for <= nível do próximo elemento. Isso é equivalente a:

A linha anterior é um primi se seu nível for <= nível atual (ou se for o último)

Usando awk com separador de campo "\t", os níveis são NF, os ingredientes são o último campo $NF:

awk -F '\t' 'prevlev>=NF  {print primi}; 
                          {prevlev = NF; primi=$NF } 
             END          {print $NF}'

Para resumi-los, você poderia executar algo ao longo das linhas de

... | sed 's/ /\t/' | datamash -g 2 -s sum 1

Você precisa usar lookbehind e lookahead. Você também precisa tratar toda a entrada em conjunto, em vez de linha por linha. O seguinte comando deve fazer o que você deseja:

grep -Pzo '(?<=\n)(\s+)(\S[^\n]*)(?!\n\1\s)' input_file

• -Pativa a sintaxe Perl.

• -zusa terminador nulo, em vez de novas linhas.

• -oemite apenas a correspondência.

• (?<=\n)olha para trás para uma nova linha. Isso está no lugar de ^, que normalmente corresponderia ao início de cada linha. Para olhar negativo para trás, use (?<!...). Estou ignorando a primeira linha porque presumivelmente sempre haverá um nível mais profundo. Se não for esse o caso, você pode adicionar uma nova linha ao início da entrada antes de enviá-la para grep. Provavelmente existem maneiras melhores de fazer isso, mas aqui está uma:

  ( echo ; cat input_file ) | grep ...
  

• (\s+)captura o nível de indentação. Isto é referido mais tarde como \1. \scorresponde ao espaço em branco. Um problema potencial com isso é que as novas linhas podem ser consideradas parte do recuo. Por exemplo, novas linhas duplas são freqüentemente usadas como separadores de parágrafo. Você pode substituir \spelo espaço em branco específico que espera ser usado para recuo, [\ \t].

• (\S[^\n]*)captura o texto de interesse. \Scorresponde a não-espaço em branco. [^\n]corresponde a qualquer coisa que não seja uma nova linha.

• (?!\n\1\s)olhar negativo para a frente para garantir que a próxima linha não seja recuada mais profundamente do que a linha atual. Para uma visão positiva do futuro, use (?=...).