从文本文件中获取分隔文件名的列表

Question

我对 Bash 还很陌生，所以这对你们大多数人来说可能听起来很愚蠢。 我正在尝试从文本文件中获取一些文件名的列表。 尝试使用 sed 和 awk 来完成此操作，但以我有限的知识无法使其工作。

这是示例文件内容：

<?xml version="1.0" encoding="utf-8"?>
<!-- Generator: Adobe Illustrator 13.0.1, SVG Export Plug-In . SVG Version: 6.00 Build 14948)  -->
<!DOCTYPE svg PUBLIC "-//W3C//DTD SVG 1.1//EN" "http://www.w3.org/Graphics/SVG/1.1/DTD/svg11.dtd">
<svg version="1.1" id="Layer_1" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink" x="0px" y="0px"
 width="471.677px" height="126.604px" viewBox="0 0 471.677 126.604" enable-background="new 0 0 471.677 126.604"
 xml:space="preserve">
<rect x="0.01" y="1.27" fill="none" width="471.667" height="125.333"/>
<text transform="matrix(1 0 0 1 0.0098 8.3701)"><tspan x="0" y="0" font-family="'MyriadPro-Regular'" font-size="10">/Volumes/Secondary500/Temp/Untitled-2_Layer 1 copy 2.pdf</tspan><tspan x="0" y="12" font-family="'MyriadPro-Regular'" font-size="10">/Volumes/Secondary500/Temp/Untitled-2_Layer 1 copy.pdf</tspan><tspan x="0" y="24" font-family="'MyriadPro-Regular'" font-size="10">/Volumes/Secondary500/Temp/Untitled-2_Layer 1.pdf</tspan></text>
</svg>

我想从此示例中获得一个具有以下确切内容的新文本文件：

/Volumes/Secondary500/Temp/Untitled-2_Layer 1 copy 2.pdf /Volumes/Secondary500/Temp/Untitled-2_Layer 1 副本.pdf /Volumes/Secondary500/Temp/Untitled-2_Layer 1.pdf

我想告诉 sed 打印 'font-size"10">' 和 ' 之间的所有匹配条目' 但是...我得到的最好的结果是一个整行都包含我的字段分隔符的文件。

如果您能解释完成的每个步骤，那就太好了。

• 文件名可以更多也可以更少。 这3个只是一个例子。

Answer 1

怎么样：

cat file.xml | sed -e's/^[^>]*>//' -e's/<.*$//' | grep \\.

它不是很通用，但要完全通用会复杂很多（XML 需要完整的解析器等）。

基本上，sed 脚本有两部分。 首先，删除从行首 (^) 到第一个“>”的所有字符 特点。 请注意，我匹配所有非“>” 为了做到这一点。 第二部分去掉最左边“<”中的所有字符 字符到行尾。 由于第二部分出现在第一部分之后，因此它是在第一次剥离完成后完成的，这就是为什么它不会擦除整行。

然后，grep 语句仅返回带有“.”的行。 其中，只剩下带有文件名的行。

希望有帮助！

Answer 2

用于此的 sed 命令将是

 sed  -n 's|font-size="[0-9]*".\(.*\)</tspan.*|\1|p' file.xml
            -------------------  --  ---------
               prefix part       \1   suffix

这就是它的工作原理，

• -n 禁止打印缓冲区中的所有行，
• 最后的 p表示要打印替换的缓冲区
• '|' 用作分隔符，而不是通常的 '/' 有助于轻松过滤路径分隔符
• 搜索字符串与所有内容匹配在 font-size="[0-9]*". 和 ` 之间
• \( 和 \) 之间的部分是我们感兴趣的部分
  • \1 表示我们希望将其保留在缓冲区中以供打印

此命令使用 此处描述的组运算符。

在您的文件中，

/Volumes/Secondary500/Temp/Untitled-2_Layer 1 copy 2.pdf
/Volumes/Secondary500/Temp/Untitled-2_Layer 1 copy.pdf
/Volumes/Secondary500/Temp/Untitled-2_Layer 1.pdf

请注意，获取正确的前缀和后缀字符串以获取所有匹配项非常重要。 在您的示例中，这些是我在上面找到的 font-size 和 tspan 部分。 但是，文件中的所有文件字符串可能并非如此。 所以检查一下。

Answer 3

Sed 和 awk 通常不是读取 XML 的正确方法。 它们可能有效，但 XML 可以随时更改布局并破坏某些内容，同时仍然是完全有效的 XML。

更好的是使用 Perl 之类的东西。 通过 CPAN 或在 ubunto 上使用“sudo apt-get install libxml-smart-perl”安装 XML::Smart 模块。

然后是一个像这样的简单脚本：

use strict;
use diagnostics;

use XML::Smart;

my $xml = XML::Smart->new ("svg.xml") || die "Cannot read XML: $!.";
my $version = $xml->{svg}{version} || die "Cannot determine SVG version.";

foreach my $file ($xml->{svg}{text}{tspan}('@')) {
    print $file->content . "\n";
}

将其另存为 svg.pl。 将 XML 保存为 svg.xml。

$ perl svg.pl
/Volumes/Secondary500/Temp/Untitled-2_Layer 1 副本 2.pdf
/Volumes/Secondary500/Temp/Untitled-2_Layer 1 副本.pdf
/Volumes/Secondary500/Temp/Untitled-2_Layer 1.pdf

此：

• 解析 XML，检查其是否正确。
• 检查版本是否存在（实际上只是健全性检查）。
• 循环遍历所有 svg/text/tspan 的数组并打印内容。

玩得开心！

Answer 4

其他人已经给出了很好的答案，说明如果您想解析 XML，为什么应该使用适当的 XML 解析器，但就如何在 sed 中完成此操作进行了解释，以防您遇到类似的问题：

#Full Command
sed -n 's/^[^<]*<tspan[^>]*>\([^<]*\)<.*/\1/p'  ~/your_file.xml 

n 选项使除非要求，否则 sed 不会发送任何输出。 通常 sed 会在末尾重复模式空间，这可能会混淆

以 s 开头，因为我们[s]进行了替换。 接下来的“/”告诉 sed 我们将使用“/”来划分脚本的不同部分。

抓取行开头 (^) 以及之后不是开括号 ([^`<]*) 的所有内容。 这将在稍后被丢弃。

抓住 tspan 及其后所有非右括号 ([^>]*>) 的内容。 这也将被丢弃。

抓住右括号之后的所有内容，那不是左括号。 这是我们想要保留的部分，因此我们将其括在转义括号中。 "([^<]*)"

抓取从最后一个右括号到行尾 "<.*" 的所有内容。 我们也会把它扔掉。

命令的第二部分：\1
所有这些意味着：重复我们之前使用的第一组转义括号中的内容。 只有一组括号，因此 \2、\3 等在这里没有意义，但您可以在其他脚本中使用它们。 就您而言，您想重复我们从您的内部匹配的内容

最后：“p”使 sed 打印出匹配项。 这与开头的 -n 一起使用，相当于“不打印任何'除了'匹配”

希望有帮助......

Answer 5

如果你有xmlgawk，就可以轻松搞定。

@load xml

BEGIN {
    XMLMODE = 1;
    XMLCHARSET = "utf-8";
}

XMLCHARDATA {
    data = $0;
}

XMLENDELEM == "tspan" {
    print data;
}

和

$ xgawk -f pick_from_svg.awk sample.xml 
/Volumes/Secondary500/Temp/Untitled-2_Layer 1 copy 2.pdf
/Volumes/Secondary500/Temp/Untitled-2_Layer 1 copy.pdf
/Volumes/Secondary500/Temp/Untitled-2_Layer 1.pdf

Answer 6

awk 'BEGIN{RS="font-size=\"10\">|</tspan>"}/pdf/' xml.txt

结果

$ awk 'BEGIN{RS="font-size=\"10\">|"}/pdf/' xml.txt
/Volumes/Secondary500/Temp/Untitled-2_Layer 1 copy 2.pdf
/Volumes/Secondary500/Temp/Untitled-2_Layer 1 copy.pdf
/Volumes/Secondary500/Temp/Untitled-2_Layer 1.pdf

这段代码可能是最简单的代码，没有混乱的正则表达式，并且它具有很强的可扩展性，并且您可以轻松地根据自己的喜好进行调整。 我决定匹配术语“pdf”，因此是代码的 /pdf/ 部分，但是，例如，如果您想要匹配其他文件，这些文件不是 pdf，但确实包含单词“Volumes”您可以简单地使用 /Volumes/ 代替。