根据《易经》的64个卦,我有一个文本文件,希望将其分成64个不相等的部分。由于每个卦的开头都是一些数字,一个句点和两个换行符,因此正则表达式应该很容易编写。
但是,实际上如何根据此正则表达式将文本文件拆分为64个新文件?似乎更像是一项任务perl
。但是也许有一种更明显的方式让我完全迷失了。
根据《易经》的64个卦,我有一个文本文件,希望将其分成64个不相等的部分。由于每个卦的开头都是一些数字,一个句点和两个换行符,因此正则表达式应该很容易编写。
但是,实际上如何根据此正则表达式将文本文件拆分为64个新文件?似乎更像是一项任务perl
。但是也许有一种更明显的方式让我完全迷失了。
Answers:
我认为最好的方法是awk
和gawk
。
awk -F "([.] )|( / )" '/^[0-9]{1,3}[.]/{x="F"$1"("$2").txt";}{print >x;}' I_Ching_Wilhelm_Translation.txt
-F
将为每行指定字段分隔符。这是一个正则表达式,在这里我们使用多个分隔符:". "
和" / "
。因此,像这样的行将1. Ch'ien / The Creative
分为3个字段:1
Ch'ien
和The Creative
。稍后我们可以使用来引用这些字段$n
。$0
是整行。
然后,我们告诉awk将行与模式 ^[0-9]{1,3}[.]
匹配x
。如果存在匹配,则将值分配给。值x将用作print
操作的文件名。在此示例中,我们使用"F"$1"("$2").txt"
该行来1. Ch'ien / The Creative
指定文件名F1(Ch'ien).txt
在gawk中,我们还可以访问捕获的组。因此,我们可以将命令简化为:
gawk 'match($0, /^([0-9]{1,3})[.] (.*) \/ (.*)$/, ary){x="F"ary[1]"("ary[2]")";}{print >x;}' I_Ching_Wilhelm_Translation.txt
在这里,我们使用match
捕获组并将它们放入变量列表ary
。$0
是整行。ary[0]
一切都匹配。ary[1...n]
是每个组。
我们也可以使用perl来做到这一点:
perl -ne 'if(/^([0-9]{1,3})[.] (.*) \/ (.*)$/) {close F; open F, ">", sprintf("F$1($2).txt");} print F' I_Ching_Wilhelm_Translation.txt
结果:
> ls F*
F10(Lü).txt F22(Pi).txt F34(Ta Chuang).txt F46(Shêng).txt F58(Tui).txt
F11(T'ai).txt F23(Po).txt F35(Chin).txt F47(K'un).txt F59(Huan).txt
F12(P'i).txt F24(Fu).txt F36(Ming I).txt F48(Ching).txt F5(Hsü).txt
F13(T'ung Jên).txt F25(Wu Wang).txt F37(Chia Jên).txt F49(Ko).txt F60(Chieh).txt
F14(Ta Yu).txt F26(Ta Ch'u).txt F38(K'uei).txt F4(Mêng).txt F61(Chung Fu).txt
F15(Ch'ien).txt F27(I).txt F39(Chien).txt F50(Ting).txt F62(Hsiao Kuo).txt
F16(Yü).txt F28(Ta Kuo).txt F3(Chun).txt F51(Chên).txt F63(Chi Chi).txt
F17(Sui).txt F29(K'an).txt F40(Hsieh).txt F52(Kên).txt F64(Wei Chi).txt
F18(Ku).txt F2(K'un).txt F41(Sun).txt F53(Chien).txt F6(Sung).txt
F19(Lin).txt F30(Li).txt F42(I).txt F54(Kuei Mei).txt F7(Shih).txt
F1(Ch'ien).txt F31(Hsien).txt F43(Kuai).txt F55(Fêng).txt F8(Pi).txt
F20(Kuan).txt F32(Hêng).txt F44(Kou).txt F56(Lü).txt F9(Hsiao Ch'u).txt
F21(Shih Ho).txt F33(TUN).txt F45(Ts'ui).txt F57(Sun).txt
curl http://www2.unipr.it/~deyoung/I_Ching_Wilhelm_Translation.html|html2text -o I_Ching_Wilhelm_Translation.plain
sed 's|^[[:blank:]]*||g' I_Ching_Wilhelm_Translation.plain > I_Ching_Wilhelm_Translation.txt
借助GNU coreutils,您可以使用csplit
将文件分成以regexp分隔的片段,如geekosaur所示。
这是一个可移植的awk脚本,用于将文件分成多个部分。它的工作原理
getline
处理多行(两行)分隔符;outfile
在遇到节标题时,将变量设置为要打印到的文件的名称。BEGIN {outfile="header.txt"}
{
while (/^[0-9]+\.$/) {
prev = $0; getline;
if ($0 == "") outfile = prev "txt";
print prev >outfile
}
print >outfile
}
nunber.
开头之后是包含斜杠的文本/
。我很确定所提到的two newlines
ixtmixilix是数字标识符之前的2空行,并且会更具体地标识标头,但是由于网页上的数据仅与/^[0-9]+\.
标头中的内容匹配,因此无需满足这些要求(在这种情况下)。谢谢; 特别是对getline
.. PS 的介绍。可以吗?
while
是否包含输入内容1.\n2.\n\n
(其中\n
有换行符):2.
必须在标题行中识别。它不会在这里发生,但是我在代码中支持它以使其更通用(并更严格地匹配问题中的规范)。