文件中的grep模式，打印模式而不是匹配的字符串

Question

我想用包含正则表达式的文件中的模式进行grep。 模式匹配时，将打印匹配的字符串，但不打印模式。 如何获得模式而不是匹配的字符串？

pattern.txt

Apple (Ball|chocolate|fall) Donut
donut (apple|ball) Chocolate
Donut Gorilla Chocolate
Chocolate (English|Fall) apple gorilla
gorilla chocolate (apple|ball)
(ball|donut) apple

strings.txt

apple ball Donut
donut ball chocolate
donut Ball Chocolate
apple donut
chocolate ball Apple

这是grep命令

grep -Eix -f pattern.txt strings.txt

此命令从strings.txt打印匹配的字符串

apple ball Donut
donut ball chocolate
donut Ball Chocolate

但我想从pattern.txt中找到用于匹配的模式

Apple (Ball|chocolate|fall) Donut
donut (apple|ball) Chocolate

pattern.txt可以是小写字母，大写字母，带正则表达式的行和不带正则表达式的行，自由行的单词和正则表达式元素。 除了括号和管道，没有其他种类的正则表达式。

我不想使用循环来读取grep的每一行的pattern.txt，因为它很慢。 是否可以在grep命令中打印模式文件的哪个模式或行号？ 还是grep以外的其他命令可以使工作不会太慢？

Answer 1

使用grep我不知道，但是使用GNU awk：

$ awk '
BEGIN { IGNORECASE = 1 }      # for case insensitivity
NR==FNR {                     # process pattern file
    a[$0]                     # hash the entries to a
    next                      # process next line
}
{                             # process strings file
    for(i in a)               # loop all pattern file entries
        if($0 ~ "^" i "$") {  # if there is a match (see comments)
            print i           # output the matching pattern file entry
            # delete a[i]     # uncomment to delete matched patterns from a
            # next            # uncomment to end searching after first match
        }
}' pattern strings

输出：

D (A|B) C

对于strings每一行，脚本将循环每一行pattern以查看是否存在多个匹配项。 由于区分大小写，只有一个匹配项。 例如，您可以使用GNU awk的IGNORECASE 。

另外，如果希望每个匹配的一个模式文件条目输出一次，则可以从第一个匹配后的a删除它们：在print之后添加delete a[i] 。 这也可能会给您带来一些性能优势。

Answer 2

编辑：由于OP更改了Input_file，所以现在也根据更改的Input_file添加解决方案。

awk '
FNR==NR{
   a[toupper($1),toupper($NF)]
   b[toupper($2)]
   next
}
{
   val=toupper($2)
   gsub(/\)|\(|\|/," ",val)
   num=split(val,array," ")
   for(i=1;i<=num;i++){
      if(array[i] in b){
        flag=1
        break
      }
   }
}
flag && ((toupper($1),toupper($NF)) in a){
  print;
  flag=""
}' string pattern

输出如下。

Apple (Ball|chocolate|fall) Donut
donut (apple|ball) Chocolate

---

---

解决方案一：添加一个通用解决方案，假设您的Input_file命名pattern在第二个字段上具有两个以上的值，例如-> (B|C|D|E)那么以下内容可能对您有所帮助。

awk '
FNR==NR{
   a[$1,$NF]
   b[toupper($2)]
   next
}
{
   val=$2
   gsub(/\)|\(|\|/," ",val)
   num=split(val,array," ")
   for(i=1;i<=num;i++){
      if(array[i] in b){
        flag=1
        break
      }
   }
}
flag && (($1,$NF) in a)
{
  flag=""
}' string pattern

---

---

解决方案2：请尝试以下方法。 但严格考虑您的Input_file（s）是仅与所示示例相同的模式（在这里，我考虑到您的Input_file命名pattern在第二个字段中只有2个值）

awk '
FNR==NR{
  a[$1,$NF]
  b[toupper($2)]
  next
}
{
  val=$2
  gsub(/\)|\(|\|/," ",val)
  split(val,array," ")
}
((array[1] in b) || (array[2] in b)) && (($1,$NF) in a)
' string pattern

输出如下。

A (B|C) D
D (A|B) C

Answer 3

您可以尝试使用内置的bash：

$ cat foo.sh
#!/usr/bin/env bash

# case insensitive
shopt -s nocasematch

# associative array of patterns
declare -A patterns=()
while read -r p; do
    patterns["$p"]=1
done < pattern.txt

# read strings, test remaining patterns,
# if match print pattern and remove it from array    
while read -r s; do
    for p in "${!patterns[@]}"; do
        if [[ $s =~ ^$p$ ]]; then
            printf "%s\n" "$p"
            unset patterns["$p"]
        fi
    done
done < strings.txt
$ ./foo.sh
Apple (Ball|chocolate|fall) Donut
donut (apple|ball) Chocolate

不确定性能，但是由于没有子进程，因此它应该比为每个模式调用grep快得多。

当然，如果您有数百万个模式，则将它们存储在关联数组中可能会耗尽可用内存。

Answer 4

也许切换范例？

while read pat
do grep -Eix "$pat" strings.txt >"$pat" &
done <patterns.txt

这将使文件名变得丑陋，但是每套文件都有清晰的列表。 如果愿意，可以先清理文件名。 也许（假设模式很容易解析为唯一性...）

while read pat
do grep -Eix "$pat" strings.txt >"${pat//[^A-Z]/}" &
done <patterns.txt

它应该相当快，并且实现起来相对简单。 希望能有所帮助。