在边界之间查找和移动文本

Question

我有一个巨大的文本文件，其中包含以下格式的文本集合：

<text id="1"> blah blah blah blah blah blah blah </text> <text id="2"> blah blah blah blah blah blah blah </text> <text id="3">

.....等等。高达 14.400

在某些时候我有这种情况：

<text id="XXX"> blah blah blah blah blah blah blah </text> **text out of bounds** <text id="XXX"> blah blah blah blah blah blah

我的意思是，在文本标签边界之外的某个地方有文本，我需要找到这些文本行并将它们移动到前一个块内，所以得到的结构是这样的：

<text id="XXX"> blah blah blah blah blah blah blah **text moved in bounds** </text> <text id="XXX"> blah blah blah blah blah blah

也就是说，</text>和<text id="....之间不能是文本

Answer 1

在看到下一个<text 行或到达输入文件末尾之前，不要打印</text 行：

$ cat tst.awk
/<\/text/ { end = $0 ORS; next }
/<text/   { printf "%s", end; end="" }
{ print }
END { printf "%s", end }

$ awk -f tst.awk file
<text id="XXX">
blah blah blah blah
blah blah
blah
**text out of bounds**
</text>
<text id="XXX">
blah blah blah blah
blah blah

这将在任何操作系统上的任何 awk 中工作，并且它将使用的唯一内存足以存储最长的 </text 行。

Answer 2

您可以使用这个awk 脚本：

awk -v RS='<text id="[^"]*">[^<]*</text>' '
    NF==0 && prev{print prev}
    NF>0{
        printf "%s", substr(prev, 1, index(prev, "</text>")-2)
        printf "%s", $0
        print  "</text>"
    }
    {prev=RT}' file

记录分隔符RS 匹配<text id=...> 和</text> 之间的所有内容。因此，如果这两个标签中有内容，则将设置字段数NF。

对于每条记录，变量prev 设置为记录终止符RT，其中包含当前RS 内容。

如果两个标签NF==0之间没有任何内容，只需打印存储在prev中的前一个RT的记录终止符。

如果某些内容超出范围 (NF>0)，则打印上一条记录的结束标记之前的所有内容。注意index(...)-2 以避免打印结束标记的\n 和< 字符。最后打印结束标签。