与awk斗争[重复]答案

【问题标题】：Struggle with awk [duplicate]与awk斗争[重复]
【发布时间】：2021-04-30 22:10:26
【问题描述】：

我有一个 18M 长的 xml 文件，其中包含媒体列表的一系列记录。文件的大小取决于每条记录都有一个嵌入图像这一事实。导出列表的应用程序导出了整个记录列表，没有回车。我要做的是仅提取每个 xml 记录中包含该记录的描述字段的部分。一些示例记录如下所示：

<media>
  <version>2</version>
  <broadcasts><broadcast><name>KSBW-DT</name><description>KSBW-DT Channel 8</description><genre /><audio_only>False</audio_only><cover_art>THERE IS A MEGABYTE OF IMAGE DATA CONTAINED HERE IN EACH RECORD</cover_art><location>8</location><img>b4/b4098184-bc85-4b17-9a87-43d2c4a23bdd</img></broadcast>
  <broadcast><name>Cntrl Coast</name><description>Cntrl Coast Channel 9</description><genre /><audio_only>False</audio_only><cover_art>THERE IS A MEGABYTE OF IMAGE DATA CONTAINED HERE IN EACH RECORD</cover_art><location>9</location><img>44/443f0080-ca33-4150-8873-23359d8999dd</img></broadcast>
...(680 more records)....
</broadcasts></media>

我玩 awk 已经有一段时间了，现在试图只提取“描述文本”，但结果却是空的。我尝试的任何模式要么返回不匹配，要么返回包含所有数据的整个 18MB 字符串。这是我的 awk 脚本的最新版本：

#!/bin/bash
set -x
awk '{
        for( i=1; i<=NF; i++) {
                tmp=match($i, /\<description\>.*\<\/description>)
                if (tmp) {
                        print $i
                }
        }
}' $1

但这并没有返回任何东西。我过去只使用过 awk，其中文本中有典型的行，而不是连续的 18MB 字符串。 awk 甚至可以解析这样的东西吗？我已经尝试了 web-grep -o、sed 上建议的替代方法，但我似乎无法得到任何工作。

感谢任何帮助或指导。

谢谢.....

【问题讨论】：

感谢您在问题中展示您的努力，您能否在您的问题中也发布预期输出示例以便更好地理解问题，谢谢。
Don't Parse XML/HTML With Regex. 我建议使用 XML/HTML 解析器 (xmlstarlet, xmllint ...)。
另一个选项是xpath，一个perl程序...看看xpath -q -e '//description/text()' file是否解决了你的问题，见stackoverflow.com/questions/15461737/…

标签： xml awk

【解决方案1】：

定义一个适合您的数据的新记录分隔符（没有换行符 - awk 中的默认值）。

考虑为此目的使用< 符号，它将成为 XML 数据中每个标记的开始。

使用字段分隔符来分隔每条记录（因此可以使用 $1、$2 表示法来引用它）。在这种情况下，> 符号是一个不错的选择。现在，匹配 $1 作为标签 'description' 并且 $2 将是值。

现在 awk 命令应该如下所示：

awk -v RS="<" -F ">" '{
    /^description$/ {print $2}
}' filename.xml

【讨论】：