Question

我有一个包含电影列表的输入文件（请注意，可能会有一些重复的条目）：

American_beauty__1h56mn38s_
As_Good_As_It_Gets
As_Good_As_It_Gets
_DivX-ITA__Casablanca_M_CURTIZ_1942_Bogart-bergman_
Capote_EN_DVDRiP_XViD-GeT-AW
_DivX-ITA__Casablanca_M_CURTIZ_1942_Bogart-bergman_

我想从另一个找到相应的匹配（行号）第一个文件中每个条目的参考文件：

American beauty.(1h56mn38s)
As Good As It Gets
Capote.EN.DVDRiP.XViD-GeT-AW
[DivX-ITA] Casablanca(M.CURTIZ 1942 Bogart-bergman)
Quills (2000)(7.4)

所需的输出类似于（参考电影+参考文件中的行号）：

American beauty.(1h56mn38s) 1
As Good As It Gets 2
As Good As It Gets 2
[DivX-ITA] Casablanca(M.CURTIZ 1942 Bogart-bergman) 4
Capote.EN.DVDRiP.XViD-GeT-AW 3
[DivX-ITA] Casablanca(M.CURTIZ 1942 Bogart-bergman) 4

基本上，两个文件中条目之间的区别在于，某些字符如：空格，括号，点等已被下划线替换。

有人能说清楚吗？

祝福，

哈维尔

Answer 1

Awk会起作用：

gawk '
  NR == FNR {
    # read the reference file first, capture the line numbers and transform
    # the "real" title to one with underscores
    line[$0] = NR
    u = $0
    gsub(/[][ .()]/,"_",u)
    movie[u] = $0
    next
  }
  $0 in movie {
    print movie[$0] " " line[movie[$0]]
  }
' movies.reference movies.list

如果连字符也被转换为下划线（那将是/\W/），则可以简化正则表达式。

Answer 2

也许你可以使用sed剥离所有不需要的字符（来自文件列表和文本文件）？

e.g


ls | sed -e 's/[^a-z0-9]/o/gi'

或者如果你想要更多的模糊性，你可以尝试在处理过的文件名（或标记化版本）上做一些编辑距离。

Answer 3

试一试。它不会特别快：

#!/bin/bash
chars='[]() .'
num=0
while read -r line
do
    (( num++ ))
    num=$( grep --line-number "$line" <( tr "$chars" '_' < movies.reference ) | awk -F: '{print $1}' )
    echo "$( sed -n "$num{p;q}" movies.reference ) $num"
done < movies.input

匹配文件与正则表达式

3 个答案: