使用以下Bash脚本(改编自this answer):
#!/bin/bash
while IFS= read -r line || [[ -n "$line" ]]; do
if [[ "$line" =~ ^([[:alpha:]]+)[[:space:][:punct:]]+([[:alpha:][:space:]]+)[[:space:]]([[:digit:]+[mcg|mg|g][:space:][\/0-9a-zA-Z[:space:]]*])[\[]([[:digit:]]+)[\]]([[:alpha:]]*)$ ]]
then
printf "Ingredient: %s\n" "${BASH_REMATCH[1]}"
printf "Brand name: %s\n" "${BASH_REMATCH[2]}"
printf "Strength: %s\n" "${BASH_REMATCH[3]}"
printf "Pack size: %s\n" "${BASH_REMATCH[4]}"
printf "Form: %s\n" "${BASH_REMATCH[5]}"
fi
done < "${1:-/dev/stdin}"
我想匹配以下行(通过stdin或通过作为第一个参数传递的文件提供):
Calcipotriol - Daivonex Cream 50mcg/1g 30 g [1]
Candesartan cilexetil - Atacand 4mg [30] capsule
Danazol - Azol 100mg [100]
Dexamethasone - Dexmethsone 0.5g [1] tablet
并将它们解析为4-5个字段。
例如,行
Calcipotriol - Daivonex Cream 50mcg/1g 30 g [1]
应该被分成如下字段:Calcipotriol
(成分)Daivonex Cream
(品牌名称)50mcg/1g 30 g
(强度)1
(包装尺寸)(空,因为后面没有文本)
但是,当我运行脚本时,没有匹配的内容。
这里是单独的regex(换行符只是为了可读性):
[1]
你能告诉我如何匹配一个字符串,比如
^([[:alpha:]]+)[[:space:][:punct:]]+([[:alpha:][:space:]]+)[[:space:]]([[:digit:]+[mcg|mg|g][:space:][\/0-9a-zA-Z[:space:]]*])[\[]([[:digit:]]+)[\]]([[:alpha:]]*)$
并在50mcg/1g 30 g
中捕获它吗?
最佳答案
与您的previous question一样,awk
提供了一个更易于维护、速度更快的解决方案:awk
是最好的选择,因为您的输入基本上是基于字段的,而将输入分解为字段是awk
的亮点。要了解awk
,请参阅系统上的awk
POSIX spec或运行man awk
或info awk
。
为了简单起见,并与示例输入保持一致,所有行内空白都假定为空格;如果还应该匹配制表符,则将regex中的实例替换为
[[:blank:]]
。
awk -F' +- +|[][]' '
{
name = $2; sub(" +[0-9.]+(mc?)?g.*", "", name)
strength = substr($2, 1 + length(name)); sub("^ +", "", strength)
form = ""
if (NF > 3) { form = $NF; sub("^ +", "", form) }
print "Ingredient:", $1
print "Brand name:", name
print "Strength: ", strength
print "Pack size: ", $3
print "Form: ", form
print "---"
}
' <<'EOF'
Calcipotriol - Daivonex Cream 50mcg/1g 30 g [1]
Candesartan cilexetil - Atacand 4mg [30] capsule
Danazol - Azol 100mg [100]
Dexamethasone - Dexmethsone 0.5g [1] tablet
EOF
产量:
Ingredient: Calcipotriol
Brand name: Daivonex Cream
Strength: 50mcg/1g 30 g
Pack size: 1
Form:
---
Ingredient: Candesartan cilexetil
Brand name: Atacand
Strength: 4mg
Pack size: 30
Form: capsule
---
Ingredient: Danazol
Brand name: Azol
Strength: 100mg
Pack size: 100
Form:
---
Ingredient: Dexamethasone
Brand name: Dexmethsone
Strength: 0.5g
Pack size: 1
Form: tablet
---
以下是您的pure
bash
尝试的固定和简化版本:while IFS= read -r line || [[ -n "$line" ]]; do
if [[ "$line" =~ ^([[:alpha:]][[:alpha:][:blank:]]*[[:alpha:]])[[:blank:][:punct:]]+([[:alpha:]][[:alpha:][:blank:]]*[[:alpha:]])[[:blank:]]+([^[]+)\[([0-9]+)\][[:blank:]]*([[:alpha:]]*)$ ]]
then
printf "Ingredient: %s\n" "${BASH_REMATCH[1]}"
printf "Brand name: %s\n" "${BASH_REMATCH[2]}"
read -r strength <<<"${BASH_REMATCH[3]}"
printf "Strength: %s\n" "$strength"
printf "Pack size: %s\n" "${BASH_REMATCH[4]}"
printf "Form: %s\n" "${BASH_REMATCH[5]}"
fi
done < "${1:-/dev/stdin}"
([[:alpha:]][[:alpha:][:blank:]]*[[:alpha:]])
的实例用于捕获成分和品牌名称;表达式捕获由空白分隔的纯字母单词的变量列表(列表中包含一个单字母单词)。简化的regex通过使用
mcg
匹配品牌名称后面的所有内容,直到使用mg
匹配下面的g
(包大小的开始),从而避免了[
/[^[]+
解析困难,不管它包含多少空格;因为这包括尾随空格,read
稍后将用于修剪。如果确实需要显式匹配以排除误报:
将
mcg
替换为mg
将
g
index[^[]+
替换为([[:digit:].]+(mcg|mg|g)[/0-9a-zA-Z[:space:]]*)
,将$BASH_REMATCH
替换为5
,因为出于技术原因,上面引入了一个新的捕获组-请参阅下面的说明。请注意如何使用
6
(匹配制表符或空格)来代替4
,因为后者还匹配新行,根据定义,新行在此不存在。您最初的尝试存在各种问题,其中一些问题已经由Benjamin W.在对该问题的评论中指出:
5
应该是[:blank:]
或[:space:]
,因为[mcg|mg|g]
是一个bracket expression:在这种情况下,任何一个字符都匹配单个字符,这样实际上就匹配单个(mcg|mg|g)
、(mc?)?g
、[mcg|mg|g]
或m
字符。c
使用非ASCIIfullwidth colons,Bash无法将其识别为字符类的一部分。不是问题本身,而是警告和简化机会:
你混合了
|
和g
;反之,[:space:]
可以假设匹配非ASCII数字,因此[:alpha:]
可能是更安全的选择。不需要在
a-zA-Z
中的[:alpha:]
内转义[:digit:]
,因为[0-9]
不是regex元字符,也不用作/
中的regex分隔符。[...]
和bash
表示文字/
和bash
是不必要的复杂;请使用[\[]
和[\]]
代替。主要的问题是你似乎对括号表达式的工作方式有一个误解。例如,
[
是一个构造错误的单括号表达式,它应该是多个独立的子表达式:]
-一个括号表达式,用于匹配一系列数字和/或\[
(例如,也用于匹配\]
)。[[:digit:]+[mcg|mg|g][:space:][/0-9a-zA-Z[:space:]]*]
一个括号化的子表达式(捕获组),使用交替< cc>匹配三个令牌中的任何一个;注意,在[[:digit:].]+
正则表达式中使用.
总是创建一个捕获组,即使只需要括号优先,那么当索引为0.5g
时,您需要说明这个值。(mcg|mg|g)
-另一个括号表达式,它匹配由|
字符、十进制数字、ASCII字母和空白字符组成的任何(可能为空)字符运行。然后,连接这些子表达式时应匹配字符串,如
(...)
,您可以按如下方式验证该字符串:bash
有很好的在线工具可以可视化和调试正则表达式,它们也是很好的教学工具。一个例子是regex101.com。
注意,这些工具通常不直接支持
${BASH_REMATCH[@]}
和各种Unix实用程序中的(通常是平台特定的)regex方言,但是选择[/0-9a-zA-Z[:space:]]*
作为方言通常会提供一个超集。需要注意的是,您需要知道您的特定实用程序支持哪些子集,否则您最终可能会得到一个只在联机测试仪中工作的regex。
/
如何匹配50mcg/1g 30 g
的演示可以找到here。Here是来自上述固定
[[ '50mcg/1g 30 g' =~ [[:digit:].]+(mcg|mg|g)[/0-9a-zA-Z[:space:]]* ]] && echo "MATCHED: >>>${BASH_REMATCH[0]}<<<"
溶液的完整regex,对照完整样本输入行进行测试。
关于regex - 带有捕获组的正则表达式,用于由可变数量的单词组成的子字符串,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/42060065/