[英]How to grep/perl/awk overlapping regex
试图通过管道将字符串导入 grep/perl 正则表达式以提取重叠的匹配项。 目前,结果似乎只提取了没有任何“回顾”的连续匹配:
尝试使用 egrep(在 GNU 和 BSD 上):
$ echo "bob mary mike bill kim jim john" | egrep -io "[a-z]+ [a-z]+"
bob mary
mike bill
kim jim
尝试使用 perl 风格的 grep (-P):
$ echo "bob mary mike bill kim jim john" | grep -oP "()[a-z]+ [a-z]+"
bob mary
mike bill
kim jim
尝试使用 awk 只显示第一个匹配项:
$ echo "bob mary mike bill kim jim john" | awk 'match($0, /[a-z]+ [a-z]+/) {print substr($0, RSTART, RLENGTH)}'
bob mary
我想从一个简单的工作 bash 管道命令中看到的重叠结果是:
bob mary
mary mike
mike bill
bill kim
kim jim
jim john
有任何想法吗?
Lookahead 是你的朋友
echo "bob mary mike bill kim jim john" |
perl -wnE'say "$1 $2" while /(\w+)\s+(?=(\w+))/g'
关键是前瞻,作为“零宽度断言”,不消耗任何东西——同时它仍然允许我们捕获其中的模式。
因此,当正则表达式引擎匹配一个单词和空格( (\\w+)\\s+
),吞噬它们时,它然后停在那里并“向前看”,只是为了“断言”所寻求的模式在那里; 正如他们所说,它不会从最后一个空格和下一个\\w
之间的位置移动,也不会“消耗”下一个单词。
很高兴我们也可以捕捉到“可见”的模式,即使它没有被消耗掉! 所以我们得到了$1
和$2
,两个词。
然后,由于/g
修饰符,引擎继续寻找另一个单词+空格,然后是另一个单词。 下一个词是我们的前瞻发现的词——所以现在一个词被消耗了,但下一个词“寻找”(并捕获)。 等等。
你也可以使用awk
awk '{for(i=1;i<NF;i++) print $i,$(i+1)}' <<< 'bob mary mike bill kim jim john'
请参阅在线演示。 此解决方案迭代所有以空格分隔的字段并打印当前字段 ( $i
) + 字段分隔符(此处为空格)+ 后续字段值( $(i+1)
)。
或者,另一种perl
解决方案使用一种非常常见的技术来捕获正向前瞻中的重叠模式:
perl -lane 'while (/(?=\b(\p{L}+\s+\p{L}+))/g) {print $1}' <<< 'bob mary mike bill kim jim john'
请参阅在线演示。 详情:
(?=
- 正向前瞻的开始
\\b
- 单词边界(\\p{L}+\\s+\\p{L}+)
- 捕获组 1:一个或多个字母、一个或多个空格、一个或多个字母)
- 前瞻结束。 此处,仅打印第 1 组值 ( {print $1}
)。
性能考虑
至于这里的 Perl 解决方案,我的结果是最慢的,而 Timur 是最快的,但是, awk
解决方案结果证明比任何 Perl 解决方案都快。 结果:
# ./wiktor_awk.sh
real 0m17.069s
user 0m12.264s
sys 0m5.314s
# ./timur_perl.sh
real 0m18.201s
user 0m15.612s
sys 0m6.139s
# ./zdim.sh
real 0m23.559s
user 0m19.883s
sys 0m7.359s
# ./wiktor_perl.sh
real 2m12.528s
user 1m52.857s
sys 0m20.201s
注意我为每个解决方案创建了 *.sh 文件,例如
#!/bin/bash
N=10000
time(
for i in $(seq 1 $N); do
<SOLUTION_HERE> &>/dev/null;
done)
并for f in *.sh; do chmod +x "$f"; done
运行for f in *.sh; do chmod +x "$f"; done
for f in *.sh; do chmod +x "$f"; done
for f in *.sh; do chmod +x "$f"; done
(从这里借来的)。
使用下面的 Perl one-liners,它避免了前瞻(它仍然可以是你的朋友):
对于以空格分隔的单词:
echo "bob mary mike bill kim jim john" | perl -lane 'print "$F[$_] $F[$_+1]" for 0..($#F-1);'
对于在 Perl 中定义为\\w+
的单词,由非单词字符\\W+
分隔:
echo "bob.mary,mike'bill kim jim john" | perl -F'/\W+/' -lane 'print "$F[$_] $F[$_+1]" for 0..($#F-1);'
Perl 单行使用这些命令行标志:
-e
:告诉 Perl 查找内嵌代码,而不是在文件中。
-n
:一次循环输入一行,默认情况下将其分配给$_
。
-l
:在执行内联代码之前去除输入行分隔符(默认情况下 *NIX 上的"\\n"
),并在打印时附加它。
-a
:在空格或-F
选项中指定的正则表达式上将$_
拆分为数组@F
。
-F'/\\W+/'
:在\\W+
(一个或多个非单词字符)上拆分为@F
,而不是在空格上。
$#F
:数组@F
的最后一个索引,输入行被拆分为该索引。
0..($#F-1)
:索引(数字)的范围,从数组@F
的第一个 ( 0
) 到倒数第二个 ( $#F-1
) 索引。
$F[$_]
和$F[$_+1]
:数组@F
两个连续元素,分别具有索引$_
和$_+1
。
也可以看看:perldoc perlrun
: 如何执行 Perl 解释器:命令行开关
perldoc perlre
: Perl 正则表达式 (regexes)
perldoc perlre
: Perl 正则表达式(regexes):量词; 字符类和其他特殊转义; 断言; 捕获组
perldoc perlrequick
: Perl 正则表达式快速perldoc perlrequick
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.