如何在正则表达式中提取两个单独的组？答案

【问题标题】：How to extract two separate groups in regex?如何在正则表达式中提取两个单独的组？
【发布时间】：2022-01-15 13:00:09
【问题描述】：

在本文中，我试图提取以下行的所有标题和页码：

以 - 开头
后跟空格
然后是章节标题
然后是页面#，像这样：#page=9&

这是我正在使用的原始文本的示例：

|   "Principles of Microeconomics 2e"   (null)
-   "Preface"   #page=9&zoom=0,0,58
|       "1. About OpenStax" #page=9&zoom=0,0,150
|       "2. About OpenStax resources"   #page=9&zoom=0,0,248
|       "3. About Principles of Microeconomics 2e"  #page=9&zoom=0,0,544
|       "4. Additional resources"   #page=13&zoom=0,0,367
|       "5. About the authors"  #page=14&zoom=0,0,58
-   "Chapter 1. Welcome to Economics!"  #page=17&zoom=0,0,58
|       "1.1. What Is Economics, and Why Is It Important?*" #page=18&zoom=0,0,338
|       "1.2. Microeconomics and Macroeconomics*"   #page=22&zoom=0,0,448
|       "1.3. How Economists Use Theories and Models to Understand Economic Issues*"    #page=23&zoom=0,0,565

我当前的正则表达式： (?:\-\s)(["'])(?:(?=(\\?))\2.)*?(?:page=)(?<=\=)(.*?)(?=\&)

当前使用此正则表达式匹配整行，但没有将所需元素放入单独的组中。而且我在执行此分隔时遇到了麻烦。

当前输出： current output

想要的输出：

Match 1: "Preface" #page=9&
Group 1: Preface
Group 2: 9

Match 2: "Chapter 1. Welcome to Economics!"  #page=17&
Group 1: Chapter 1. Welcome to Economics!
Group 2: 17

我试图在一组中提取标题，在另一组中提取页码。我该怎么做？

【问题讨论】：

标签： regex awk sed

【解决方案1】：

开始

sed -En 's/^-.*"([^"]+)".*page=([[:digit:]]+).*/\1\n\2/p' file

Preface
9
Chapter 1. Welcome to Economics!
17

sed 不使用 PCRE，因此您没有非捕获括号或环视等

更新以解决所需的新输出。

sed 没有任意变量，将很难计算匹配项。使用具有相同正则表达式的 GNU awk：

gawk '
    match($0, /^-.*"([^"]+)".*page=([[:digit:]]+)/, m) {
        printf "Match %d: %s\n", ++n, m[0]
        printf "Group 1: %s\n", m[1]
        printf "Group 2: %s\n\n", m[2]
    }
' file

Match 1: -   "Preface"   #page=9
Group 1: Preface
Group 2: 9

Match 2: -   "Chapter 1. Welcome to Economics!"  #page=17
Group 1: Chapter 1. Welcome to Economics!
Group 2: 17

3 参数 match() 函数需要 GNU awk。

【讨论】：

【解决方案2】：

使用 GNU awk：

awk 'BEGIN{ FPAT="\".*\"|#page=[0-9]+&" }
     /^- /{
       print "Match", ++m ":", $1, $2;

       gsub(/"/, "", $1);               # remove all "
       print "Group 1:", $1;

       gsub(/[^0-9]+/, "", $2);         # remove all but numbers
       print "Group 2:", $2;

       print ""
     }' file

输出：

匹配 1：“序言”#page=9& 第一组：前言第 2 组：9 比赛 2：“第 1 章。欢迎来到经济学！” #page=17& 第 1 组：第 1 章。欢迎来到经济学！第 2 组：17

FPAT：描述记录中字段内容的正则表达式。

【讨论】：

【解决方案3】：

使用sed

$ sed -n '/[^0-9]*.\./s/-[^"]*\("\)\([^#]*\)\("\)\([^0-9]*\([0-9]*\)&\).*/Match 2: \1\2\3\4\nGroup 1: \2\nGroup 2: \5/p
;/-/s/-[^"]*\("\)\([^#]*\)\("\)\([^0-9]*\([0-9]*\)&\).*/Match 1: \1\2\3\4\nGroup 1: \2\nGroup 2: \5\n/p' input_file

输出

Match 1: "Preface"   #page=9&
Group 1: Preface
Group 2: 9

Match 2: "Chapter 1. Welcome to Economics!"  #page=17&
Group 1: Chapter 1. Welcome to Economics!
Group 2: 17

【讨论】：

【解决方案4】：

使用您展示的示例，请尝试关注awk 程序。用 GNU awk 编写和测试。

awk -v RS='-[[:space:]]+"[^"]*"[[:space:]]+#page=[0-9]+' '
RT{
  match(RT,/"[^"]*"/,completeValue)
  printf("Match 1: -   %s\nGroup 1: %s\n",RT,completeValue[0])
  match(RT,/#page=[0-9]+/,pageVal)
  split(pageVal[0],actualpageVal,"=")
  print "Group 2: "actualpageVal[2]
}
'  Input_file

解释： 简单的解释是，将 RS（记录分隔符）设置为 -[[:space:]]+"[^"]*"[[:space:]]+#page=[0-9]+ 正则表达式。然后在主程序中；匹配" 的第 2 次出现之间的所有内容并创建数组 completeValue（其中包含根据所示示例的完整值）。然后使用 awk 的 printf 函数打印第 2 条所需的输出行（完整值和第 1 组：一个），然后根据要求再次从页面值中仅抓取数字值并使用数组 actualpageVal 打印。

【讨论】：