नियमित अभिव्यक्ति के आधार पर पाठ फ़ाइलों को विभाजित करना

Question

मेरे पास एक पाठ फ़ाइल है जिसे मैं यी जिंग के 64 हेक्साग्राम के अनुसार 64 असमान भागों में विभाजित करना चाहता हूं। चूंकि प्रत्येक हेक्साग्राम के लिए मार्ग कुछ अंकों (ओं) से शुरू होता है, एक अवधि, और दो नए अंक, रेगेक्स को लिखना बहुत आसान होना चाहिए।

लेकिन मैं वास्तव में इस regex के अनुसार पाठ फ़ाइल को 64 नई फ़ाइलों में कैसे विभाजित करूं? यह किसी कार्य के लिए अधिक लगता है perl। लेकिन शायद एक और अधिक स्पष्ट तरीका है कि मैं अभी पूरी तरह से गायब हूं।

Answer 1

यह csplitसिवाय इसके कि रेक्सक्स को सिंगल लाइन होना चाहिए। वह भी sedकठिन बना देता है; मैं पर्ल या पायथन के साथ जाऊँगा।

आप देख सकते हैं अगर

csplit foo.txt '/^[0-9][0-9]*\.$/' '{64}'

आपके उद्देश्यों के लिए पर्याप्त है। ( csplitएक POSIX BRE आवश्यकता है, इसलिए इसका इस्तेमाल नहीं कर सकते हैं \dया +दूसरों के बीच।)

Comments

धन्यवाद, @geekosaur। इसने पूरी तरह से काम किया, हालांकि मुझे इसे बदलकर {63} करना पड़ा।

— ixtmixilix

तो, '\.'यह भी काम नहीं करेगा?

— वानुअन

Answer 2

मुझे लगता है कि सबसे अच्छा तरीका है awkऔर gawk।

awk

awk -F "([.] )|( / )" '/^[0-9]{1,3}[.]/{x="F"$1"("$2").txt";}{print >x;}' I_Ching_Wilhelm_Translation.txt

-Fप्रत्येक पंक्ति के लिए फ़ील्ड सेपरेटर निर्दिष्ट करेगा। यह एक रेगीक्स है, यहां हम कई सेपरेटर का उपयोग करते हैं: ". "और " / "। इस प्रकार एक पंक्ति 1. Ch'ien / The Creative3 क्षेत्रों में विभाजित हो जाएगी: 1 Ch'ienऔर The Creative। बाद में हम इन क्षेत्रों का उल्लेख कर सकते हैं $n। $0पूरी लाइन है।

हम फिर awk को पैटर्न के साथ लाइनों से मेल खाते के बारे में बताते हैं। ^[0-9]{1,3}[.]अगर मैच होता है तो हम मान प्रदान करते हैं x। मान x का उपयोग printऑपरेशन के लिए फ़ाइल नाम के रूप में किया जाएगा । इस उदाहरण में हम उपयोग करते हैं "F"$1"("$2").txt"इसलिए लाइन 1. Ch'ien / The Creativeएक फ़ाइल नाम देती हैF1(Ch'ien).txt

gawk

गॉक में, हम कैप्चर किए गए समूह तक भी पहुंच सकते हैं। तो हम कमांड को सरल बना सकते हैं:

gawk 'match($0, /^([0-9]{1,3})[.] (.*) \/ (.*)$/, ary){x="F"ary[1]"("ary[2]")";}{print >x;}' I_Ching_Wilhelm_Translation.txt

यहां हम matchसमूहों को कैप्चर करते हैं और उन्हें चर सूची में डालते हैं ary। $0पूरी लाइन है। ary[0]सब कुछ मेल खाता है। ary[1...n]प्रत्येक समूह है।

पर्ल

हम इसे पर्ल के साथ भी कर सकते हैं:

perl -ne 'if(/^([0-9]{1,3})[.] (.*) \/ (.*)$/) {close F; open F, ">", sprintf("F$1($2).txt");} print F' I_Ching_Wilhelm_Translation.txt

परिणाम:

> ls F*
F10(Lü).txt         F22(Pi).txt       F34(Ta Chuang).txt  F46(Shêng).txt     F58(Tui).txt
F11(T'ai).txt       F23(Po).txt       F35(Chin).txt       F47(K'un).txt      F59(Huan).txt
F12(P'i).txt        F24(Fu).txt       F36(Ming I).txt     F48(Ching).txt     F5(Hsü).txt
F13(T'ung Jên).txt  F25(Wu Wang).txt  F37(Chia Jên).txt   F49(Ko).txt        F60(Chieh).txt
F14(Ta Yu).txt      F26(Ta Ch'u).txt  F38(K'uei).txt      F4(Mêng).txt       F61(Chung Fu).txt
F15(Ch'ien).txt     F27(I).txt        F39(Chien).txt      F50(Ting).txt      F62(Hsiao Kuo).txt
F16(Yü).txt         F28(Ta Kuo).txt   F3(Chun).txt        F51(Chên).txt      F63(Chi Chi).txt
F17(Sui).txt        F29(K'an).txt     F40(Hsieh).txt      F52(Kên).txt       F64(Wei Chi).txt
F18(Ku).txt         F2(K'un).txt      F41(Sun).txt        F53(Chien).txt     F6(Sung).txt
F19(Lin).txt        F30(Li).txt       F42(I).txt          F54(Kuei Mei).txt  F7(Shih).txt
F1(Ch'ien).txt      F31(Hsien).txt    F43(Kuai).txt       F55(Fêng).txt      F8(Pi).txt
F20(Kuan).txt       F32(Hêng).txt     F44(Kou).txt        F56(Lü).txt        F9(Hsiao Ch'u).txt
F21(Shih Ho).txt    F33(TUN).txt      F45(Ts'ui).txt      F57(Sun).txt

उदाहरण फ़ाइल कैसे प्राप्त करें:

curl http://www2.unipr.it/~deyoung/I_Ching_Wilhelm_Translation.html|html2text -o I_Ching_Wilhelm_Translation.plain
sed 's|^[[:blank:]]*||g' I_Ching_Wilhelm_Translation.plain > I_Ching_Wilhelm_Translation.txt

Answer 3

GNU कोरुटिल्स के साथ, आप रेगेक्सपीcsplit -सीमांकित टुकड़ों में एक फ़ाइल को तोड़ने के लिए उपयोग कर सकते हैं , जैसा कि geekosaur द्वारा दिखाया गया है ।

यहां एक फ़ाइल को टुकड़ों में तोड़ने के लिए एक पोर्टेबल awk स्क्रिप्ट है। यह द्वारा काम करता है

• getlineमल्टीलाइन (2-लाइन) विभाजक से निपटने के लिए कॉलिंग ;
• outfileसेक्शन हेडर मिलने पर फाइल को प्रिंट करने के लिए वैरिएबल सेट करना।

BEGIN {outfile="header.txt"}
{
    while (/^[0-9]+\.$/) {
        prev = $0; getline;
        if ($0 == "") outfile = prev "txt";
        print prev >outfile
    }
    print >outfile
}

Comments

यह सिद्धांत रूप में काम करता है , लेकिन वास्तविक वेब पेज डेटा का अनुभाग-हेडर रेगेक्स द्वारा प्रतिनिधित्व नहीं किया जाता है (इसी तरह जीकोसोर के उत्तर)। अग्रणी nunber. पाठ के बाद होता है जिसमें एक स्लैश होता है /। मुझे पूरा यकीन है कि उल्लेखित two newlines ixtmixilix 2 रिक्त रेखाएँ हैं जो संख्यात्मक पहचानकर्ता से पहले हैं और विशेष रूप से हेडर की पहचान करेंगे, लेकिन जैसा कि वेब पेज पर डेटा केवल /^[0-9]+\. अनुभाग हेडर में मेल खाता है, उन्हें पूरा करने की कोई आवश्यकता नहीं है इस विशेष मामले में)। धन्यवाद; विशेष रूप से परिचय के लिए getline.. पुनश्च। जबकि हो सकता है?

— पीटर।

@ gredosaur और मैं प्रश्न पर विवरण द्वारा गए, न कि वेबसाइट के डेटा द्वारा। लेआउट HTML प्रतिपादन इंजन पर निर्भर करेगा जिसका उपयोग पाठ में बदलने के लिए किया जाता है; वह हिस्सा जहां यह एक वेब पेज से प्रदान किया गया है वास्तव में सवाल के लिए अप्रासंगिक है। ||| whileअगर इनपुट शामिल है 1.\n2.\n\n(जहां \nनई लाइनें हैं): 2.हेडर लाइन में मान्यता प्राप्त होनी चाहिए। यह यहां नहीं होने जा रहा है, लेकिन मैं इसे अधिक सामान्य बनाने के लिए अपने कोड में इसका समर्थन करता हूं (और प्रश्न में विनिर्देश को अधिक सख्ती से मिलाता हूं)।

— गिलेस एसओ- बुराई को रोकना '