量词的正向回溯答案

【问题标题】：Positive Lookbehind With Quantifiers量词的正向回溯
【发布时间】：2014-06-30 14:26:43
【问题描述】：

我正在尝试更改文件中的一些 XML 标记，以使它们更容易读入 R，但某些标记是相同的，xmlToDataFrame 似乎不喜欢。见下文：

<DATE calender="Western">1996-06-22</DATE>
<DATE calender="Persian">1375/04/02</DATE>
<CAT xml:lang="fa">ادب و هنر</CAT>
<CAT xml:lang="en">Literature and Art</CAT>

我正在尝试使用正则表达式重命名一些标签，使其看起来更像这样：

<DATE_Western>1996-06-22</DATE_Western>
<DATE_Persian>1375/04/02</DATE_Persian>
<CAT_Persian>ادب و هنر</CAT_Persian>
<CAT_English>Literature and Art</CAT_English>

我尝试使用积极的后视，但我需要某种量词来捕捉标签内部，而这似乎不受许多正则表达式实现的支持。

有什么建议吗？

另外，对大量文件（sed、awk？）进行搜索和替换的最佳命令行工具是什么？

谢谢！

【问题讨论】：

lookbehinds 不支持量词，你可以使用 \K
关于如何将<CAT xml:lang="fa"> 转换为<CAT_Persian> 的任何想法？你在某处的文件中有映射表吗？

标签： regex r awk sed

【解决方案1】：

您可以在没有后视的情况下执行此操作，只需执行替换即可。

正则表达式

<(\w+)[^"]*"(.*?)">(.*?)<\/\1>

替换

<\1_\2>\3</\1_\2>

示例

http://regex101.com/r/kM0rA4

【讨论】：

他希望它是 1996-06-22 所以它将是 \3\1_\2 >
他还想把<CAT xml:lang="fa">翻译成<CAT_Persian>。
@EdMorton ，我只是表明它可以完成，而不是提供整个解决方案:) 比赛需要分开。为所有事情做一个单行正则表达式是没有意义的。

【解决方案2】：

将 GNU awk 用于 gensub()：

$ gawk '
BEGIN {
    map["fa"]="Persian"
    map["en"]="English"
}
{
    for (abbr in map)
        $0 = gensub("(xml:lang=\")" abbr "(\")","\\1" map[abbr] "\\2","")
    $0 = gensub(/(<[^[:space:]]+)[^"]+"([^"]+)">(.*)>$/,"\\1_\\2>\\3_\\2>","")
}
1' file
<DATE_Western>1996-06-22</DATE_Western>
<DATE_Persian>1375/04/02</DATE_Persian>
<CAT_Persian>ادب و هنر</CAT_Persian>
<CAT_English>Literature and Art</CAT_English>

【讨论】：

嗨，Ed...对不起，我想我犯了一次问两个问题的错误。

【解决方案3】：

也试试这个sed 命令，

sed '/ xml\:lang\=\"fa\"/ s/fa/Persian/g; / xml\:lang\=\"en\"/ s/en/English/g; s|^<\(.*\) .*="\(.*\)">\(.*\)<\(.*\)>|<\1_\2>\3<\4_\2>|g' file

输出：

<DATE_Western>1996-06-22</DATE_Western>
<DATE_Persian>1375/04/02</DATE_Persian>
<CAT_Persian>ادب و هنر</CAT_Persian>
<CAT_English>Literature and Art</CAT_English>

【讨论】：