regex - 从目录/子目录中递归地从文件中提取唯一行（带有模式）

Question

我有一个庞大的 Java 代码库（超过 10,000 个 Java 类），它广泛使用了 CORBA（虽然没有关于其使用的文档）。

作为弄清楚 CORBA 用法的第一步，我决定扫描整个代码库并提取/打印包含模式“ org.omg.CORBA ”的唯一行。这些通常在导入语句中（例如 import org.omg.CORBA.xyz）。

我是 Perl 的新手，想知道是否有办法在 Windows 操作系统上提取这些详细信息。我需要能够扫描所有具有 java 类的文件夹（和子文件夹）。

Answer 1

您可以在单行中使用File::Find ：

perl -MFile::Find -lwe "
    find(sub { if (-f && /\.java$/) { push @ARGV,$File::Find::name } },'.'); 
    while(<>) { /org.omg.CORBA/ && $seen{$_}++; }; 
    print for keys %seen;"

请注意，此单行使用 Windows 所需的双引号。

这将递归搜索当前目录以查找具有扩展名的文件.java并将它们添加到@ARGV数组中。然后我们使用菱形运算符打开文件并搜索字符串org.omg.CORBA，如果找到，则将该行作为键添加到%seen哈希中，这将有效地删除重复项。最后一条语句打印出散列中的所有唯一键。

在脚本形式中，它看起来像这样：

use strict;
use warnings;
use File::Find;

find(sub { if (-f && /\.java$/) { push @ARGV,$File::Find::name } },'.');
my %seen;
while(<>) {
    /org.omg.CORBA/ && $seen{$_}++; 
}
print "$_\n" for keys %seen;"

Answer 2

只是为了好玩，一个 perl 单线来做到这一点：

perl -lne '/org.omg.CORBA/ and (++$seen{$_}>1 or print)' *

这首先检查一行是否匹配，然后在打印出该行之前是否没有看到它。对所有指定的文件（在本例中为“*”）执行此操作。

Answer 3

我并不是要逆势而为，但我不确定 perl 是这里的最佳解决方案。nhahtdh 的使用cygwin的建议是一个很好的建议。grep 或 find 确实是您想要的。在这种情况下使用 perl 将涉及使用File::Find然后在每个文件上打开一个文件句柄。这当然是可行的，但如果可能的话，我建议使用正确的工具来完成这项工作。

find . -name "*.java" -type f | xargs grep -l 'org.com.CORBA' | sort | uniq

如果你真的必须使用 perl 来完成这项工作，我们可以处理 File::Find 代码。