awk -如何提取模式

Question

询问有关使用awk从文件中提取具有特定行的文本块的说明。

该文件具有以下结构：

<Information>
<CID>_whole_number_A_</CID>
<string>_text_that_is_not_useful_</string>
<string>_text_that_is_not_useful_</string>
<string>_PATTERN_A_</string>
<string>_text_that_is_not_useful_</string>
</Information>
<Information>
<CID>_whole_number_B_</CID>
<string>_PATTERN_B_</string>
<string>_text_that_is_not_useful_</string>
<string>_text_that_is_not_useful_</string>
<string>_text_that_is_not_useful_</string>
<string>_text_that_is_not_useful_</string>
<string>_text_that_is_not_useful_</string>
</Information>

希望通过awk将以下模式发送到新文件。

<Information>
<CID>_whole_number_A_</CID>
<string>_PATTERN_A_</string>
</Information>
<Information>
<CID>_whole_number_B_</CID>
<string>_PATTERN_B_</string>
</Information>

关于数据的说明：

• 该文件具有300,000+ CID项；每个项都标识为唯一的整数。
• 模式(_PATTERN_A_、_PATTERN_B_等)格式为UNII-<10 characters>。例如:UNI-4J4Z8788N8或UNII-12L95QD6KV。
• 不是每个CID都有一个UNII。

关于我的环境的笔记：

• 我在Windows 7下工作，并使用GnuWin32实用程序

因此，用英语重新措辞：

在FILE_1中 找到每一个有UNII的CID 将过滤后的结果发送到FILE_2

谢谢您的指示。

========================================================================

好吧，我做错了什么。

在我的第一个实现中，程序只返回“记录开始”和“结束标记”，即：

<Information>
</Information>

这是我如何运用你的指示。

首先，我运行的Windows被更改为FS="\r\n“

第一个正则表达式是UNII，它被更改为/UNII/。

第二个正则表达式是CID，您在说明中使用了CID。我在那里没做任何改变。

对于模式的第二个实例，我更改为/UNII/。

以下是我的替代品：

BEGIN {
    RS="<Information>"
    FS="\r\n"
}
/UNII/ {
    print RS
    for (i=1;i<NF;i++) {
        if ($i ~ /CID/ || $i ~ /UNII/) {
            print $i
        }
    }
    print "</Information>"
}

因为我使用的是Windows，所以我使用完整的路径来执行GnuWin32实用程序和读/写数据。所以我的.bat文件如下所示：

C:\bin\awk -f C:\bin\script.awk < C:\Users\Owner\data\input_file.txt > C:\Users\Owner\data\output_file.txt

我做错了什么？

=================================================================================这里是示例数据：

<Information>
    <CID>1</CID>
    <Synonym>Acetyl carnitine</Synonym>
    <Synonym>O-Acetyl-L-carnitine</Synonym>
    <Synonym>Ammonium, (3-carboxy-2-hydroxypropyl)trimethyl-, hydroxide, inner salt, acetate, DL-</Synonym>
    <Synonym>UNII-07OP6H4V4A</Synonym>
    <Synonym>_20+_more_</Synonym>
</Information>
<Information>
    <CID>10006</CID>
    <Synonym>HYDANTOIN</Synonym>
    <Synonym>UNII-I6208298TA</Synonym>
    <Synonym>53760_FLUKA</Synonym>
    <Synonym>NSC9226</Synonym>
    <Synonym>_20+_more_</Synonym>
</Information>
<Information>
    <CID>10007</CID>
    <Synonym>Lucofen SA</Synonym>
    <Synonym>461-78-9</Synonym>
    <Synonym>EINECS 207-314-9</Synonym>
    <Synonym>STK664067</Synonym>
    <Synonym>DEA No. 1645</Synonym>
    <Synonym>UNII-NHW07912O7</Synonym>
    <Synonym>CHEMBL1201269</Synonym>
    <Synonym>HMS1376E21</Synonym>
    <Synonym>_20+_more_</Synonym>
</Information>

Answer 1

这个脚本应该提供一个很好的起点：

BEGIN {
    RS="<Information>"
    FS="\n"
}
/UNII/ {
    print RS
    for (i=1;i<NF;i++) {
        if ($i ~ /CID/ || $i ~ /UNII/) {
            print $i
        }
    }
    print "</Information>"
}

将其保存到script.awk并在示例输入上运行它会产生：

$ awk -f script.awk file
<Information>
    <CID>1</CID>
    <Synonym>UNII-07OP6H4V4A</Synonym>
</Information>
<Information>
    <CID>10006</CID>
    <Synonym>UNII-I6208298TA</Synonym>
</Information>
<Information>
    <CID>10007</CID>
    <Synonym>UNII-NHW07912O7</Synonym>
</Information>

Answer 2

首先，awk是完全错误的工具。但是，使用awk实现这一点的最简单方法是抑制不想要的行(而不是选择想要的行)：

/Synonym/ && !/UNII/ { next }
{ print }