regex - 如何快速查找大字符串中的子字符串及其周围字符？

Question

我有一个文件，需要从中查找每个子字符串实例之前和之后的 10 个字符。

例如，来自:

(1M characters)...ldkS9jfasdfalkasjFalskdfjsDljBASHcslakfjsalZkf4djfsa3Jkjl...(1M characters)

我想要输出:

lskdfjsDljBASHcslakfjsal

当然，文件中有很多该字符串的实例，我想以具有前一个和后 10 个字符的相同方式返回所有实例。

现在我正在使用grep，如下所示:

grep -o -P '.{0,10}BASH.{0,10}' input.txt > output.txt

虽然这有效，但似乎非常慢。有什么办法可以加快这个过程吗？提前致谢。

Answer 1

您会尝试以下操作吗:

grep -F 'BASH' input.txt | grep -o -E '.{10}BASH.{10}'

级联多个 grep 通常可能看起来像反模式，因为 设计不当的搜索模式。 在这种情况下，它的工作原理如下:第一个 grep 有效地缩小范围 包含带有 -F (固定)选项的目标单词的行； 然后第二个 grep 提取该单词周围的子字符串。

我生成了一个包含 100,000 列随机字符的文本文件 和 10,000 行(1GB)。这是基准测试结果 旧赛扬CPU:

time grep -o -P '.{0,10}BASH.{0,10}' input.txt
=> 2m48s

time grep -F 'BASH' input.txt | grep -o -E '.{10}BASH.{10}'
=> 0m20s

顺便说一句，令人惊讶的是，我在随机生成的字符串中发现了九个 BASH 字符串 ascii 文件。

[编辑]

如果您需要保持重叠匹配，请尝试:

grep -F 'BASH' file | perl -ne 'while (/(?=(.{10}BASH.{10}))/g) {print $1, "\n"}'

与上面的答案相比，它不需要额外的执行时间。