Dotaz: multiline grep

[Terka]

Mejme file kde zaznamy zacinaji "2008-" a jsou viceradkove. Chtela bych na nej provest grep tak aby mi zobrazil ne radky, ale zaznamy. Napsala jsem neco v Perlu, ale myslim, ze by to slo lepe. Muzete mi poradit?

re="4718|4717";
#main ######################################################
$/=undef;


while ($file=(<>)) # cteni z prikaz radky 
{
$a="\n".$file; #kvuli split \n2008
chop ($a);  #kvuli print "$pole[$i]\n"; - zbavim se posledniho znaku enter
@pole=split (/\n2008/,$a) ;
$delka_pole=@pole;

$i=1;
while ($delka_pole > $i)
{
    if ($pole[$i]=~/$re/)
    {
    $pridej ="2008" ;
    $pridej =$pridej.$pole[$i]."\n";
    $" = "";             #"########################### ok
    push (@vystup, $pridej);
    }
    $i++ ;
}
}

Odpovědi

[rastos]

Je počet riadkov v zázname fixný? Ak áno, tak "grep -A".

[Terka]

neni, grep -A -B znam

[Jan Šimák]

Přesně jsem nepochopil tvůj dotaz ale pokud ti jde o počet úspěchů nalezení řetězce, tak by to šlo takto:

chomp (my @var = STDIN>);
my $times = grep (/se/m, @var);
print "$times\n";

[Terka]

jde o grep ne na radky, ale na zaznamy. cili oddelovac neni \n ale ^2008.

[ams]

perl -0777 -e 'print map "2008$_", grep /4718|4717/, split/\n2008/, <>' soubor_s_daty.dat

[ams]

Pisu rychleji nez premyslim :). Toto bude lepsi:

perl -0777 -e 'print grep /4718|4717/, split/\n(?=2008)/, <>' soubor_s_daty.dat

[ams]

A jeste poznamka - kdybyste chtela nejakym zpusobem oznacit hranice zaznamu, pak je nejlepsi pouzit $,. Treba dat $,="\n####\n"; pred ten print.

[Terka]

diky za odpoved, mohla bych Vas poprosit jeste o komentar? S Perlem zacinam, tudiz nechapu jak Vas program pracuje. T.

[Terka]

me to za kazdym zaznamem tisklo \n, vam ho to netiskne.

[Terka]

uz mi to tiskne = moje blbost $,

[Terka]

tak to pomalu chapu
-0777 nacte data jako jeden zaznam
-e skript je v radce
(?=2008) si zapamatuje 2008 a do pole to da vcetne toho 2008 (nezahodi tuto cast oddelovace)
nechapu proc: 
1. jsou carky mezi prikazy (jde o oddelovac vice prikazu na radce?)
2. proc je poradi prikazu 1.print 2.split 3.<>
diky!

[Terka]

muzete mi nekdo vysvetlit nasledujici:
time cat soubor|perl -0777 -e '$,="\n", print grep /40030/, split/\n(?=2008)/, <>'
real    0m1.137s
user    0m0.760s
sys     0m0.510s

time cat soubor|perl -0777 -e 'print grep /40030/, split/(?=\n2008)/, <>' 
real    0m8.116s
user    0m7.800s
sys     0m0.410s

[ams]

Opravdu zvlastni chovani. Provedla jste mereni casu vicekrat u obou verzi?

Co se tyce kodu, tak po $,="\n" bych radeji pouzil strednik misto carky i kdyz v tomto pripade je to celkem jedno. Carka obvykle neoddeluje prikazy (na to pouzivate strednik), ale zaznamy v seznamu anebo argumenty prikazu. Tento kod funguje takto:

1) $,="\n"; Vkladame \n mezi jednotlive polozky v print. Napr., print("a","b","c"); ted vytiskne "a\nb\nc".

2) Kdyz pridame zavorky, pak prikaz vypada nasledovne:

print(grep(/40030/, split(/(?=\n2008)/, <>)))

Takze to neni posloupnost prikazu, ale jsou to vlozene prikazy. Operator <> nacte cely soubor (protoze mame $/=undef v dusledku -0777). Provadime split na zaklade regexpu /(?=\n2008)/. Kdybychom pouzili jako oddelovac poli jenom /\n2008/, pak ztratili bychom tuto cast zaznamu (prave proto v mem prvnim reseni je map "2008$_", ktere vraci tuto cast zpatky). Kdyz pouzijeme look-ahead assertion (?=\n2008), pak vlastne provadime split v kazdem bode retezce, za kterym nasleduje \n2008, ale \n2008 neni brano jako soucast oddelovace poli. Vysledek splitu je seznam zaznamu, ktery je predavany jako druhy argument grepu. grep prochazi vsechny zaznamy tohoto seznamu a hleda jenom vyhovujici regexpu /40030/. Funguje nejak takto:

for $_ (seznam_zaznamu_ktery_vygeneroval_split) {
   if ( $_ =~ /40030/ ) {
       nechame_tento_zaznam_ve_vysledku;
   } else {
       zahodime_tento_zaznam;
   }
}

Nakonec, print vytiskne vsechny nalezene zaznamy a vlozi mezi ne $, (v nasem pripade prazdny radek).

[ams]

Mozna bude jednodussi si to zapsat jako nekolik prikazu:

$, = "\n";
$soubor = <>;
@vsechny_zaznamy = split(/(?=\n2008)/, $soubor);
@jenom_obsahujici_regexp = grep(/40030/, @vsechny_zaznamy);
print @jenom_obsahujici_regexp;

[Terka]

ad 0) to mereni casu jsem delala nekolikrat.
ad 1) ted je mi to jasne - vlozene prikazy - proto carka a proto to poradi.
nakonec jsem tam jeste pridala sort (jako v mem puvodnim skriptu)
casove je to +- stejne (muj puvodni vs vas)

perl -0777 -e 'print sort grep /neco/, split/^(?=2008)/m, <>'
velike diky za vysvetleni!

[ams]

Mimochodem, misto cat soubor | perl -0777 -e '...' je lepsi pouzit perl -0777 -e '...' soubor

[Terka]

jasne. vim ze to je zacatecnicka chyba. delam to casto, lip se mi to cte.

[jsk]

Dobrý den,

obdobný problém řeším tak, že pomocí tr -d '\r\n' (pro dos) spojím vše do jednoho řádku a následně sed-em rozřežu, na např. pro grep, použitelné řádky, tj. z mého pohledu standardně/typově začínající nebo končící. Pokud mi pošlete vzorek s konkrétním popisem požadavku, mohu se na to zkusit podívat.

jsk

[Yokotashi]

Predpokladam, ze soubor nemuze obsahovat nejaky znak (nebo muze jenom v komentari, kde se da snadno odstranit bez jeho poskozeni). Dejme tomu, ze ten znak je # (lze pouzit jakykoliv).

cat file|sed 's/^2008/#/'|tr '\n#' '#\n'|grep 'treba konec tretiho#a zacatek ctvrteho radku zaznamu'|tr '\n#' '#\n'| sed 's/#/2008/g'

Neni to moc hezke, ale funguje to spolehlive.

[ams]

Napad je dobry, ale v tomto provedeni nefunguje uplne tak jak je treba. U prvniho nalezeneho zaznamu bude chybet 2008 a naopak za poslednim zaznamem bude 2008 navic. V textovych souborech zpravidla chybi znak s ASCII-kodem 0, proto muzeme pouzit sed 's/^2008/\x002008/' soubor_s_daty.dat | grep -z 'co_hledame' | tr -d '\0', ale i tak je to 4-krat pomalejsi nez reseni v Perlu.

[ams]

Zase pisu rychleji nez premyslim :). Takhle to vypada lip (i kdyz funguje naproste stejne):

sed 's/^2008/\x00&/' soubor_s_daty.dat | grep -z 'co_hledame' | tr -d '\0'