bash - awk 语言中的 RS

Question

我正在学习 awk 编程语言，但我在这里遇到了一个问题。

我有一个文件（awk.dat），具有以下内容：

Lorem ipsum dolor sit amet, consectetur adipiscing elit.
Maecenas pellentesque erat vel tortor consectetur condimentum.
Nunc enim orci, euismod id nisi eget, interdum cursus ex.
Curabitur a dapibus tellus.
Lorem ipsum dolor sit amet, consectetur adipiscing elit.
Aliquam interdum mauris volutpat nisl placerat, et facilisis.

我正在使用以下命令：

awk 'BEGIN{RS="*, *";ORS="<<<---\n"} {print $0}' awk.dat

它向我返回了错误：

awk: run time error: regular expression compile failed (missing operand)
*, *
    FILENAME="" FNR=0 NR=0

同时，如果我使用命令：awk 'BEGIN{RS=" *, *";ORS="<<<---\n"} {print $0}' awk.dat，它会给我所需的结果。

我需要了解这部分：RS=" *, *"，双引号和*before之间的空格的含义,，因此它会引发错误。

预期输出：

Lorem ipsum dolor sit amet<<<---
consectetur adipiscing elit.
Maecenas pellentesque erat vel tortor consectetur condimentum.
Nunc enim orci<<<---
euismod id nisi eget<<<---
interdum cursus ex.
Curabitur a dapibus tellus.
Lorem ipsum dolor sit amet<<<---
consectetur adipiscing elit.
Aliquam interdum mauris volutpat nisl placerat<<<---
et facilisis.
<<<---

谢谢。

Answer 1

"[space1]*,[space2]*"

是一个正则表达式，它匹配字符串：

零个或多个空格 (space1) 后跟一个逗号，然后是零个或多个空格 (space2)

第一个"*,[space]*"是错误的，因为*在正则表达式中有特殊含义。这意味着重复匹配的组/字符零次或多次。你不能把它放在最开始。

Answer 2

请注意，根据 POSIX，RS它被定义为单个字符而不是正则表达式。

字符串值的第一个字符RS应为输入记录分隔符；<newline> 默认情况下。如果RS包含多个字符，则结果未指定。如果RS为 null，则记录由 <newline> 加上一个或多个空行组成的序列分隔，前导或尾随空行不应导致输入的开头或结尾处为空记录，并且 <newline> 应始终是一个字段分隔符，不管 的值FS是什么。

_{来源：Awk Posix 标准}

这意味着RS=" *, *"导致未定义的行为。

其他实现 POSIX 扩展的 awk 版本可能对RS代表的含义有不同的方法。例如 GNU awk 和 mawk。两者都实现RS为正则表达式，但两种实现略有不同。<asterisk> 的使用总结如下：

| RS   | awk (posix)  | gawk             | mawk             |
|------+--------------+------------------+------------------|
| "*"  | "<asterisk>" | "<asterisk>"     | "<asterisk>"     |
| "*c" | undefined    | "<asterisk>c"    | undefined        |
| "c*" | undefined    | "","c","ccc",... | "","c","ccc",... |

c is any character

以上应该解释 OP 的错误，因为RS="*, *"它是根据 mawk 的无效正则表达式。

$ echo "abc" | ./mawk '/*c/'
mawk: line 1: regular expression compile failed (missing operand)

GNU awk：GNU awk的手册说明如下：

使用 时gawk，的值RS不限于一个字符的字符串。它可以是任何正则表达式（参见Regexp）。(ce) 一般情况下，每条记录在下一个匹配正则表达式的字符串处结束；下一条记录从匹配字符串的末尾开始。

_{来源：GNU awk 手册}

为了理解 <asterisk> 在 GNU awk 正则表达式中的用法，我们发现：

<asterisk>*此符号表示前面的正则表达式应根据需要重复多次才能找到匹配项。例如，ph*将*符号应用于前面的符号并查找一个后跟任意数量的sh的匹配项。仅当不存在s 时，这也匹配。phph

有两个微妙的点可以理解如何*工作。首先，*仅适用于单个前面的正则表达式组件（例如，在 中ph*，它仅适用于h）。要*使其应用于更大的子表达式，请使用括号：(ph)*匹配ph、、、phph等等phphph。

其次，*找到尽可能多的重复。如果要匹配的文本是phhhhhhhhhhhhhhooey，则ph*匹配所有的hs。

_{来源：GNU 正则表达式运算符}

然而，必须提到的是：

在POSIX awk和 gawk中*，+和?运算符代表它们自己，当它们之前的正则表达式中没有任何内容时。例如，/+/匹配文字加号。但是，许多其他版本的 awk 将这种用法视为语法错误。

_{来源：GNU 正则表达式运算符}

因此，设置RS="*, *", 意味着它将匹配字符串"*,", "*, ", "*, ", ...

$ echo "a,b, c" | awk 'BEGIN{RS="*, *"}1'
a,b, c
$ echo "a*,b, c" | awk 'BEGIN{RS="*, *"}1'
a
b, c

mawk： GNU awk 的手册说明如下：

12.多行记录
由于mawk解释RS为正则表达式，多行记录很容易。

_{来源：man mawk}

但

11. 拆分字符串、记录和文件
awk 程序使用相同的算法将字符串拆分为数组 split()，将记录拆分为字段FS。 mawk 使用基本相同的算法将文件拆分为RS.

Split(expr,A,sep)工作方式如下：

1. <剪辑>
2. 如果sep = " "（单个空格），则 <SPACE> 被从 的前后修剪expr，sep变成 <SPACE>。mawk 将 <SPACE> 定义为正则表达式/[ \t\n]+/。否则sep被视为正则表达式，除了长度为 1 的字符串的元字符被忽略，例如， split(x, A, "*")并且split(x, A, /\*/)是相同的。
3. <剪辑>

_{来源：man mawk}

该手册没有提到应如何解释以元字符开头的正则表达式（例如“*c”）

---

注意：在 GNU awk 部分中，我通过了 POSIX awk，因为根据 POSIX，形式的正则表达式"*, "会导致未定义的行为。（这与定义无关，RS反正RS不是 POSIX awk 中的 ERE）

awk 实用程序应使用扩展正则表达式表示法（请参阅 XBD扩展正则表达式）

_{来源：Awk Posix 标准}

和

*+?{ <asterisk>、<plus-sign>、<question-mark> 和 <left-brace> 应该是特殊的，除非在括号表达式中使用（参见 RE 括号表达式）。以下任何用途都会产生未定义的结果：

• 如果这些字符首先出现在 ERE中，或者紧跟在未转义的 <vertical-line>、<circumflex>、<dollar-sign> 或 <left-parenthesis> 之后
• 如果 <left-brace> 不是有效区间表达式的一部分（请参阅 EREs Matching Multiple Characters）

_{来源：POSIX 扩展正则表达式}

Answer 3

请您尝试关注一次。

awk '{gsub(", ","<<<---" ORS)} 1;END{print "<<<---"}'   Input_file