como usar sed, awk ou gawk para imprimir apenas o que é correspondido?

Vejo muitos exemplos e páginas de manual sobre como fazer coisas como pesquisar e substituir usando sed, awk ou gawk.

Mas, no meu caso, tenho uma expressão regular que desejo executar em um arquivo de texto para extrair um valor específico. Não quero pesquisar e substituir. Isso está sendo chamado de bash. Vamos usar um exemplo:

Expressão regular de exemplo:

.*abc([0-9]+)xyz.*

Arquivo de entrada de exemplo:

a
b
c
abc12345xyz
a
b
c

Por mais simples que pareça, não consigo descobrir como chamar o sed / awk / gawk corretamente. O que eu esperava fazer é de dentro do meu script bash:

myvalue=$( sed <...something...> input.txt )

As coisas que experimentei incluem:

sed -e 's/.*([0-9]).*/\\1/g' example.txt # extracts the entire input file
sed -n 's/.*([0-9]).*/\\1/g' example.txt # extracts nothing

Meu sed(Mac OS X) não funcionou com +. Em *vez disso, tentei e adicionei ptag para correspondência de impressão:

sed -n 's/^.*abc\([0-9]*\)xyz.*$/\1/p' example.txt

Para combinar pelo menos um caractere numérico sem +, eu usaria:

sed -n 's/^.*abc\([0-9][0-9]*\)xyz.*$/\1/p' example.txt

Você pode usar o sed para fazer isso

 sed -rn 's/.*abc([0-9]+)xyz.*/\1/gp'

• -n não imprima a linha resultante
• -risso faz com que você não tenha como escapar dos parênteses do grupo de captura ().
• \1 a partida do grupo de captura
• /g jogo global
• /p imprima o resultado

Eu escrevi uma ferramenta para mim que torna isso mais fácil

rip 'abc(\d+)xyz' '$1'

Eu uso perlpara tornar isso mais fácil para mim. por exemplo

perl -ne 'print $1 if /.*abc([0-9]+)xyz.*/'

Isso executa o Perl, a -nopção instrui o Perl a ler uma linha de cada vez de STDIN e executar o código. A -eopção especifica a instrução a ser executada.

A instrução executa um regexp na linha lida e, se corresponder, imprime o conteúdo do primeiro conjunto de bracks ( $1).

Você pode fazer isso com vários nomes de arquivo no final também. por exemplo

perl -ne 'print $1 if /.*abc([0-9]+)xyz.*/' example1.txt example2.txt

Se a sua versão do grepsuportar, você pode usar a -oopção de imprimir apenas a parte de qualquer linha que corresponda ao seu regexp.

Se não, aqui está o melhor que sedeu poderia fazer:

sed -e '/[0-9]/!d' -e 's/^[^0-9]*//' -e 's/[^0-9]*$//'

... que exclui / pula sem dígitos e, para as linhas restantes, remove todos os caracteres não-dígitos iniciais e finais. (Estou apenas supondo que sua intenção é extrair o número de cada linha que contém um).

O problema com algo como:

sed -e 's/.*\([0-9]*\).*/&/' 

.... ou

sed -e 's/.*\([0-9]*\).*/\1/'

... é que sedsuporta apenas correspondência "gananciosa" ... então o primeiro. * corresponderá ao resto da linha. A menos que possamos usar uma classe de caractere negada para obter uma correspondência não gananciosa ... ou uma versão sedcom compatível com Perl ou outras extensões para seus regexes, não podemos extrair uma correspondência de padrão precisa com o espaço de padrão (uma linha )

Você pode usar awkcom match()para acessar o grupo capturado:

$ awk 'match($0, /abc([0-9]+)xyz/, matches) {print matches[1]}' file
12345

Isso tenta corresponder ao padrão abc[0-9]+xyz. Se fizer isso, ele armazena suas fatias no array matches, cujo primeiro item é o bloco [0-9]+. Como match() retorna a posição do caractere, ou índice, de onde essa substring começa (1, se começar no início da string) , ele aciona a printação.

Com grepvocê pode usar um olhar para trás e para o futuro:

$ grep -oP '(?<=abc)[0-9]+(?=xyz)' file
12345

$ grep -oP 'abc\K[0-9]+(?=xyz)' file
12345

Isso verifica o padrão [0-9]+quando ocorre dentro de abce xyze apenas imprime os dígitos.

perl é a sintaxe mais limpa, mas se você não tiver perl (nem sempre lá, eu entendo), então a única maneira de usar gawk e componentes de um regex é usar o recurso gensub.

gawk '/abc[0-9]+xyz/ { print gensub(/.*([0-9]+).*/,"\\1","g"); }' < file

a saída do arquivo de entrada de amostra será

12345

Nota: gensub substitui todo o regex (entre //), então você precisa colocar o. * Antes e depois do ([0-9] +) para se livrar do texto antes e depois do número na substituição.

Se você deseja selecionar linhas, retire os bits que você não deseja:

egrep 'abc[0-9]+xyz' inputFile | sed -e 's/^.*abc//' -e 's/xyz.*$//'

Basicamente, ele seleciona as linhas que você deseja egrepe usa sedpara remover os bits antes e depois do número.

Você pode ver isso em ação aqui:

pax> echo 'a
b
c
abc12345xyz
a
b
c' | egrep 'abc[0-9]+xyz' | sed -e 's/^.*abc//' -e 's/xyz.*$//'
12345
pax> 

Atualização: obviamente, se sua situação real for mais complexa, os REs precisarão ser modificados. Por exemplo, se você sempre teve um único número dentro de zero ou mais números não numéricos no início e no final:

egrep '[^0-9]*[0-9]+[^0-9]*$' inputFile | sed -e 's/^[^0-9]*//' -e 's/[^0-9]*$//'

O caso do OP não especifica que pode haver várias correspondências em uma única linha, mas para o tráfego do Google, adicionarei um exemplo para isso também.

Como a necessidade do OP é extrair um grupo de um padrão, o uso grep -oexigirá 2 passagens. Mas, ainda acho esta a maneira mais intuitiva de fazer o trabalho.

$ cat > example.txt <<TXT
a
b
c
abc12345xyz
a
abc23451xyz asdf abc34512xyz
c
TXT

$ cat example.txt | grep -oE 'abc([0-9]+)xyz'
abc12345xyz
abc23451xyz
abc34512xyz

$ cat example.txt | grep -oE 'abc([0-9]+)xyz' | grep -oE '[0-9]+'
12345
23451
34512

Como o tempo do processador é basicamente gratuito, mas a legibilidade humana não tem preço, tendo a refatorar meu código com base na pergunta: "daqui a um ano, o que vou pensar que isso faz?" Na verdade, para código que pretendo compartilhar publicamente ou com minha equipe, vou até abrir man greppara descobrir quais são as opções longas e substituí-las. Igual a:grep --only-matching --extended-regexp

você pode fazer isso com a concha

while read -r line
do
    case "$line" in
        *abc*[0-9]*xyz* ) 
            t="${line##abc}"
            echo "num is ${t%%xyz}";;
    esac
done <"file"

Por awk. Eu usaria o seguinte script:

/.*abc([0-9]+)xyz.*/ {
            print $0;
            next;
            }
            {
            /* default, do nothing */
            }

gawk '/.*abc([0-9]+)xyz.*/' file