2

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>

想 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>

关于数据的注释：

  • 该文件有 300,000 多个 CID 项；每个都用一个唯一的整数标识。
  • PATTERN（_PATTERN_A_、_PATTERN_B_ 等）的格式为 UNII-<10 个字符>。例如：UNII-4J4Z8788N8 或 UNII-12L95QD6KV。
  • 不是每个 CID 都有一个 UNII。

关于我的环境的注意事项：

  • 我在 Windows 7 下工作并使用 GnuWin32 实用程序

所以，用英语改写：

在 FILE_1 中

找到每个具有 UNII 的 CID

将过滤后的结果发送到 FILE_2

提前感谢您的指示。

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

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>

以下是我如何应用你的指示。

首先，我运行的是 Windows，所以改为 FS="\r\n"

第一个正则表达式是UNII，所以改为/UNII/。

第二个正则表达式是您在说明中使用的 CID。我在那里没有做任何改变。

对于 PATTERN 的第二个实例，我改为 /UNII/。

这是我的替代品的外观：

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

我究竟做错了什么？

==================================================== ===============================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>
4

2 回答 2

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script.awk并在您的示例输入上运行会产生：

$ 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>
于 2013-04-28T13:22:11.550 回答
1

首先， awk 是完全错误的工具。但是使用 awk 执行此操作的最简单方法是抑制不需要的行（而不是选择您想要的行）：

/Synonym/ && !/UNII/ { next }
{ print }
于 2013-04-28T16:06:14.440 回答