[英]AWK FPAT not working as expected for string parsing
我必须解析一个非常长的字符串(来自标准输入)。 它基本上是一个.sql 文件。 我必须从中获取数据。 我正在解析数据,以便将其转换为 csv。 为此,我使用的是 awk。 就我而言,一个示例片段(两条记录)如下:
b="(abc@xyz.com,www.example.com,'field2,(2)'),(dfr@xyz.com,www.example.com,'field0'),"
echo $b|awk 'BEGIN {FPAT = "([^\\)]+)|('\''[^'\'']+'\'')"}{print $1}'
在我的正则表达式中,我说的是“)”括号上的拆分,或者如果找到单引号,则忽略所有文本,直到找到最后一个引号。 但是我的output如下:
(abc@xyz.com,www.example.com,'field2,(2
我期待这个 output
(abc@xyz.com,www.example.com,'field2,(2)'
我的代码中的问题在哪里。 我搜索了很多并检查了 awk 手册,但没有成功。
我在下面的第一个答案是错误的,您正在尝试做的事情有一个 ERE:
$ echo "$b" | awk -v FPAT="[(]([^)]|'[^']*')*)" '{for (i=1; i<=NF; i++) print $i}'
(abc@xyz.com,www.example.com,'field2,(2)')
(dfr@xyz.com,www.example.com,'field0')
原始答案,另一种方法:
您需要一种 2-pass 方法,首先将引用字段中的所有)
替换为输入中尚不存在的内容(例如 RS),然后识别(...)
字段并将 RS 放回)
s在打印它们之前:
$ echo "$b" |
awk -F"'" -v OFS= '
{
for (i=2; i<=NF; i+=2) {
gsub(/)/,RS,$i)
$i = FS $i FS
}
FPAT = "[(][^)]*)"
$0 = $0
for (i=1; i<=NF; i++) {
gsub(RS,")",$i)
print $i
}
FS = FS
}
'
(abc@xyz.com,www.example.com,'field2,(2)')
(dfr@xyz.com,www.example.com,'field0')
由于 FPAT,以上内容仅适用于 gawk(或者我们可以使用 gawk patsplit()
),而其他 awk 则使用了 while-match()-substr() 循环:
$ echo "$b" |
awk -F"'" -v OFS= '
{
for (i=2; i<=NF; i+=2) {
gsub(/)/,RS,$i)
$i = FS $i FS
}
while ( match($0,/[(][^)]*)/) ) {
field = substr($0,RSTART,RLENGTH)
gsub(RS,")",field)
print field
$0 = substr($0,RSTART+RLENGTH)
}
}
'
(abc@xyz.com,www.example.com,'field2,(2)')
(dfr@xyz.com,www.example.com,'field0')
使用您在 GNU awk
中显示的示例编写和测试。 这可以在简单的字段分隔符设置中完成,请尝试执行一次,其中b
是您的 shell 变量,其中包含您的显示值。
echo "$b" | awk -F'\\),\\(' '{print $1}'
(abc@xyz.com,www.example.com,'field2,(2)'
说明:只需将awk
程序的字段分隔符设置为\\),\\(
用于您的输入和打印它的第一个字段。
与 Ed 建议的类似的正则表达式方法,但我通常更喜欢使用RS
和RT
而不是FPAT
:
b="(abc@xyz.com,www.example.com,'field2,(2)'),(dfr@xyz.com,www.example.com,'field0'),"
awk -v RS="[(]('[^']*'|[^)])*[)]" 'RT {print RT}' <<< "$b"
(abc@xyz.com,www.example.com,'field2,(2)')
(dfr@xyz.com,www.example.com,'field0')
如果你想接近一次,也许试试这个
{mawk/mawk2/gawk} 'BEGIN { OFS = FS = "\047"; ORS = RS = "\n";
XFS = "\376\004\377";
XRS = "\051" ORS;
} ! /[\051]/ { print; next; } { for (x=1; x <= NF; x += 2) {
gsub(/[\051][^\050]*/, XFS, $(x)); } } gsub(XFS, XRS) || 1'
我用 2 个 gsub 这样做,以防它开始在下面发送行并产生意想不到的后果。 \051 = ")", \050 是开放的。
一旦我用单引号 \047 拆分它,它只会在奇数字段上循环(因为偶数字段恰好是一对单引号中你想要避免砍掉的那些)。
至于 XFS,只需使用几乎不可能遇到的字节来选择您选择的任意组合。 如果您想安全起见,可以测试该行中是否存在 XFS,并使用一些替代组合。 基本上是在不会与实际输入数据发生冲突的行中间插入一个分隔符。 它本身并不是万无一失的,但是遇到 UTF16 字节顺序标记和 ASCII 控制字符组合的可能性相当低。
(如果您遇到 XFS,很可能您一开始就已经损坏了数据,因为 300 系列八进制必须后跟 200 系列八进制才能成为有效的 UTF8)
这样,我根本不需要 FPAT。
*在结尾处更新为“|| 1”作为安全保护,但实际上并不需要。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.