Início / unix / Perguntas / 762984
Accepted
Daniel
Asked: 2023-12-03 23:11:17 +0800 CST

Sed – Como substituir duas strings, mas preservando o que há entre elas?

  • 772

Estou escrevendo um script de shell para converter algumas páginas do DokuWiki para o formato MediaWiki e vice-versa . Estou tendo alguns problemas com notas de rodapé.

Existe um plugin para o DokuWiki que adiciona recursos estendidos à marcação básica de notas de rodapé do DokuWiki. Uma delas é a capacidade de adicionar um nome a uma nota e reutilizá-la posteriormente. Por exemplo:

DokuWiki MediaWiki
[(FOO>This is a footnote.)] <ref name="FOO">This is a footnote.</ref>
[(BAR>Another note in the same paragraph.)] <ref name="BAR">Another note in the same paragraph.</ref>

Com sed é fácil encontrar e substituir. Este é o comando do meu script relacionado às notas de rodapé com "nomes de notas":

sed -ri 's@\[\(.*>@<ref name=\"XXX\">@g' dokuwiki-page.txt
sed -ri 's@\)\]@<\/ref>@g' dokuwiki-page.txt

Mas, claro, não preserva os nomes, apenas aplica o novo nome genérico da nota "XXX" a todas as notas que possuem um nome. Então, no meu exemplo acima, o resultado será:

DokuWiki MediaWiki
[(FOO>This is a footnote.)] <ref name="XXX">This is a footnote.</ref>
[(BAR>Another note in the same paragraph.)] <ref name="XXX">Another note in the same paragraph.</ref>

Preciso de ajuda para preservar o nome da nota (FOO e BAR no exemplo). Aceito outras soluções além de apenas sed .

ANOTAÇÕES IMPORTANTES:

  1. A frase da nota de rodapé pode aparecer no meio de um parágrafo, e mais de uma referência com nome de nota de rodapé pode aparecer no mesmo parágrafo, mas com um nome diferente. (parágrafo também conhecido como "linhas muito longas" do Unix)
  2. Não consigo dividir o comando para substituir [(em um primeiro comando e >depois em um segundo comando porque a marcação do MediaWiki faz uso de muitas tags html (cheias de <e >). Uma etiqueta pode ser substituída incorretamente.
  3. Existem alguns [(...)]sem >dentro. Como em em [(This is a nameless note.)]oposição a [(My_Note_Name>This is a named note.)].
linux

2 respostas

  1. Best Answer

    Esse tipo de coisa é muito mais fácil com perlcujas regexps possuem operadores de repetição não gananciosos:

    perl -i -pe 's{\[\((.*?)>(.*?)\)\]}{<ref name="$1">$2</ref>}g' your-file

    Observe que -ie -rsão opções não padrão sed. -ina verdade, foi copiado perlpor algumas implementações, embora de maneira incompatível entre si.

    perl, ao contrário de várias sedimplementações, também não tem limite no tamanho das linhas, pode lidar com caracteres NUL e, por padrão, trata a entrada em bytes, portanto, não tem problemas com entradas que não podem ser decodificadas como texto na localidade do usuário.

    Se sua entrada puder ter alguma [(...)]que não contenha >s, você precisará adaptar o regexp. Se as tags de referência contiverem apenas wcaracteres ord (alnums ASCII e sublinhados), então poderia ser apenas:

    perl -i -pe 's{\[\((\w+)>(.*?)\)\]}{<ref name="$1">$2</ref>}g' your-file

    Outra abordagem é encontrar todos [(...)]e fazer as substituições em uma etapa separada:

    perl -i -pe '
  s{\[\(.*?\)\]}{
    $& =~ s{\[\((.*?)>(.*)\)\]}{<ref name="$1">$2</ref>}r
  }ge' your-file

    Isso também permitiria alterar as notas sem nome para <ref>nameless</ref>:

    perl -i -pe '
  s{\[\(.*?\)\]}{
    $& =~ s{\[\((?:(.*?)>)?(.*)\)\]}{
      "<ref" . (defined($1) ? qq( name="$1") : "") . ">$2</ref>"
    }re
  }ge' your-file

    Ou usar operadores de antecipação negativos para garantir que as coisas que correspondem dentro de [(...)]não incluam )]:

    perl -i -pe 's{\[\(((?:(?!\)\]).)*?)>((?1))\)\]}{<ref name="$1">$2</ref>}g' your-file
    • 3

  2. Maneira SED definitiva:

    Encontrei uma solução usando grupos sed e regex.

    sed -Ei 's/\[\(([[:alnum:]]*)>/<ref name=\"\1\">/g' dokuwiki-page.txt
sed -Ei 's/\)\]/<\/ref>/g' dokuwiki-page.txt

    Explicação:

    1. Encontre linhas com [(+ letters and numbers in any quantity+>
      • O truque aqui é que letters and numbers in any quantityforam agrupados usando: ([[:alnum:]]*), para que eu possa referenciar exatamente o mesmo grupo usando \1. É como armazená-lo em uma variável.
      • Não posso usar .*em vez de ([[:alnum:]]*)porque inclui other >. Portanto, se houver outras notas de rodapé nomeadas no mesmo parágrafo (também conhecidas como linhas muito longas), a regex incluirá tudo, desde a primeira nota de rodapé até o final da segunda nota de rodapé. Uma bagunça!
    2. Substitua tudo isso por <ref name="+ letters and numbers in any quantity+ ">.
      • Aqui usei \1(que representa ([[:alnum:]]*)) para segurá-lo enquanto substituía o que estava ao seu redor.

    Sugestão de leitura:

    • DOUGHERTY, D., & ROBBINS, A. (1997). SED e AWK. (2ª ed.). O'Reilly.
    • 0

relate perguntas