Question

我有一堆包含大量信息的复杂文件名，我试图从每个文件名中提取两个子字符串。

名称具有以下结构：

???_S_????

从每个文件名中，我想在Unix shell中提取：

002_S_0295形式的字符串（例如002_S_115，002_S_0729，_I）
以及241350与下一个下划线之间的数字（如291880，334105，{{1}}）

我尝试了一些grep和awk的组合，但实际上我无法提出解决方案。

Answer 1

任何支持ERE的sed：

$ sed -E 's/.*_([^_]+_S_[^_]+).*_I([^_]+).*/\1 \2/' file
002_S_0295 241350
002_S_1155 291880
002_S_0729 334105

任何POSIX sed：

$ sed 's/.*_\([^_]*_S_[^_]*\).*_I\([^_]*\).*/\1 \2/' file
002_S_0295 241350
002_S_1155 291880
002_S_0729 334105

使用GNU awk为第3个arg匹配（）：

$ awk 'match($0,/([^_]+_S_[^_]+).*_I([^_]+)/,a) { print a[1], a[2] }' file
002_S_0295 241350
002_S_1155 291880
002_S_0729 334105

Answer 2

如果您将文件名存储在文件file中，则可以执行以下操作：

1.-形式的字符串??? S ???? （如002_S_0295,002_S_115,002_S_0729）

$ grep -Po '(?<=_)....S.....(?=_)' file
002_S_0295
002_S_1155
002_S_0729

这会提取_和_之间的所有字符，其格式为???? S ????? （注4？S5 ?,而你说3？S4？）。

2.-和_I与下一个下划线之间的数字（如241350,291880,334105）

同样，请使用grep外观：

$ grep -Po '(?<=_I)\d+' file
241350
291880
334105

Answer 3

您可以在Bash中使用正则表达式（假设这是您的shell）来执行此操作：

while read -r line || [[ -n $line ]]; do 
    printf "'%s'\n" "$line"
    if [[ "$line" =~ (.{3}_S_.{4}) ]]
    then 
        echo ${BASH_REMATCH[1]}
    fi  
    if [[ "$line" =~ _I([0-9]+) ]]
    then
        echo ${BASH_REMATCH[1]}
    fi  
    echo
done <file

打印：

'ADNI_002_S_0295_MR_MT1__N3m_Br_20110623105302806_S110476_I241350_RightHippoSubfields.mgz.txt'
002_S_0295
241350

'ADNI_002_S_1155_MR_MT1__GradWarp__N3m_Br_20120322164018368_S97230_I291880_RightHippoSubfields.mgz.txt'
002_S_1155
291880

'ADNI_002_S_0729_MR_MT1__N3m_Br_20120913163818876_S159861_I334105_RightHippoSubfields.mgz.txt'
002_S_0729
334105

Answer 4

awk -F'[_I]' '{print $3,$4,$5" "$(NF-1)}' OFS=_ file

002_S_0295 241350
002_S_1155 291880
002_S_0729 334105

Answer 5

可以通过Bash中的扩展模式匹配来完成 - 诚然，这有点令人费解：

shopt -s extglob

patterns=('???_S_????' '_I+([!_])')

for fname in *.mgz.txt; do
    for pat in "${patterns[@]}"; do
        var=${fname#${fname%$pat*}}
        var=${var%${var##$pat}}
        echo "${var#_I}"
    done
done

这使用嵌套参数扩展来删除部分文件名。第一个文件和第一个模式的示例：

在模式之前删除部分文件名：
- ${fname%$pat*}扩展为${fname%???_S_????*}，因此会删除从模式到名称末尾的所有内容，从而生成ADNI_。
- 此结果现在在${fname#${fname%$pat*}}中重复使用，后者变为${fname#ADNI_}，扩展为
```
002_S_0295_MR_MT1__N3m_Br_20110623105302806_S110476_I241350_RightHippoSubfields.mgz.txt
```
  所以var现在具有以模式开头的文件名部分。
删除模式后的部分文件名：
- ${var##$pat}扩展为${var##???_S_????}，从文件名的开头删除模式。第一个模式不需要##（最长匹配），但第二个模式不需要{sup> 1 ：+([!_])是“一个或多个非下划线字符”，我们想要的最长匹配。这种扩张的结果是
```
6_S110476_I241350_RightHippoSubfields.mgz.txt
```
  ，即我们想删除的var部分。
- ${var%${var##$pat}}扩展为
```
${var%6_S110476_I241350_RightHippoSubfields.mgz.txt}
```
  删除模式后的所有内容。
打印结果：对于第一个模式，就是这个，我们可以直接打印第二个扩展，但第二个模式此时仍然包含_I，所以我们使用
```
echo "${var#_I}"
```
删除它。对于第一个模式，这是一个no-op ²，对于第二个模式，它删除了_I。

所有这些的输出是

¹ +()模式也是extglob所需的原因。

²如果???_S_????恰好与以_I开头的字符串匹配，那么这会导致不必要的删除，但是在示例文件名上，它不会。

如何从Unix中的文件名中提取具有已知结构的子串？

5 个答案: