在 htm 文件中搜索 BR 标签之间的单词对

Question

我收集了 500 多个文件，其中包含许多用于分隔数据元素的 <br /> 标签。

例如，file001.htm 包含：

<br \/>J Smith<br \/>B Jones<br \/>john smith betty Jones<br \/>Henry Peterson<br \/>jones Smith<br \/>

对于单个文件； 此命令将查找同时具有“Smith”和“Jones”的数据元素（忽略大小写和顺序）：

sed 's/<br \/>/\n/g' file001.htm | grep -i Smith | grep -i Jones

产生：
约翰史密斯贝蒂琼斯
琼斯·史密斯

但是当我将 file001.htm 更改为 file*.htm; 我得到了很多匹配项，但我不知道哪个文件包含这些匹配项。

我想要一个命令行解决方案，它可以按任意顺序在所有文件中搜索 <br /> 标签之间的两个单词，output 会告诉我哪些文件包含匹配的数据。

Answer 1

如果您的输入确实像您显示的那样常规，这将满足您的要求，将 GNU awk 用于多字符RS和IGNORECASE ：

$ awk -v RS='<br [\\\\]/>' -v OFS=': ' -v IGNORECASE=1 '
    /smith/ && /jones/ { print FILENAME, $0 }
' file*.htm
file001.htm: john smith betty Jones
file001.htm: jones Smith

请注意，正如您在 sed 脚本中所写的那样，因此在上面复制了smith匹配smithereens等。如果这是一个问题，那么如果您的目标字符串都是单词组成字符，您可以添加单词边界以避免此类部分匹配问题：

$ awk -v RS='<br [\\\\]/>' -v OFS=': ' -v IGNORECASE=1 '
    /\<smith\>/ && /\<jones\>/ { print FILENAME, $0 }
' file*.htm
file001.htm: john smith betty Jones
file001.htm: jones Smith