Dotaz: bash - hromadna uprava textu

[tomes.io]

Ahoj,

uz je to nejaky cas co jsem delal s regularnimi vyrazy.

Mohl by mi nekdo poradit, jak co nejlepe dostat text, ktery je napsan na nekolik radku, mezi tagy, na jeden radek?

Priklad vychoziho textu:

<> aaasasdaasfddsfsdf <+>
<> aaasasdaasfddsfsdf <+>

<> aaasasdaasfdd
sdsdsdsd
sdsdsdsdsd
sdsdsdsdsdsfsdf <+>

Vyslednu text bych chtel v teto podobe:

<> aaasasdaasfddsfsdf <+>
<> aaasasdaasfddsfsdf <+>

<> aaasasdaasfddsdsdsdsdsdsdsdsdsdsdsdsdsdsdsfsdf <+>

Tedy, potrebuji takovu regularni vyraz, ktery by jednotlive vety mezi tagy a dal do jednoho radku. Potrebuji takto upravit hromadu textu pro snazsi kontrolu v diffu (bude snazsi nachazet a oznacovat chybne radky).

Budu rad, pokud mi nekdo poradi prislusny regularni vyraz v sed nebo prikaz v awk.

Vim, jak v awk odstranit vsechny znaky newline, ale mezi tagy mi to nejde. Zatim jsem v awk dospel k tomuto prikazu (ktery ale nedela pozadovane). Mozna by ho stacilo jen nejak lehce upravit?

cat text1 | awk 'BEGIN{RS="<+>"}{printf "%s", $0}'

---

---

Odpovědi

[iKoulee]

nesnazil bych se odstranovat jen nektere znaky noveho radku, ale odstranil bych vsechny a pak pridal nove, tam kam potrebuji, treba nejak takhle:

sed -e ':a;N;$!ba;s/\n//g' -e 's/\(<+>\)/\1\n/g'

[tomes.io]

Diky moc, to je presne co jsem potreboval. Akorat bych jeste poprosil o upravu pro klasicky tagovy format sipky se zpetnym lomitkem

</s>

POkud tento tag pouziju misto <+> tak mi bash vyhodi hlasku:

sed: -e expression #2, char 12: unknown option to `s'

Hadam, ze se v regularnim vyrazu musi nejak vyjadrit, ze tag neni specialni znacka pro vyraz, nejak to odblokovat. Zkousel jsem to ruzne obehnat zpetnyma lomitkama, ale furt to nejde.

[iKoulee]

imo je to lomitko v tagu normalni a jedinne co potrebujete vyescapovat je prave to lomitko a to zpetnym lomitkem

sed -e ':a;N;$!ba;s/\n//g' -e 's/\(<\/s>\)/\1\n/g'

[tomes.io]

Diky, tohle tak nejak splnilo co jsem potreboval :)

[tomes.io]

Jeste by tu bylo jedno reseni s awk:

cat out.txt |awk 'BEGIN{tmp=""} $0 ~ /.*<\/s>.*/{print tmp $0;tmp="";} $0 !~ /.*<\/s>.*/{tmp=tmp $0}'

[xkucf03]

Pokud ti jde o porovnávání, tak doporučuji načíst jako DOM a pak zase serializovat (uložit jako XML) s tím, že se to uloží stejným způsobem. Případně to můžeš prohnat přes normalize-space() v XSLT.

Nebo použít rovnou nějaký nástroj na porovnávání XML.

A ještě pozor na to odstraňování mezer – z těch konců řádků by se měly stát mezery, neměly by úplně zmizet.