Regex 文章（a/an/the）和数字（1-4位）之间的正则表达式短语

我尝试了几十种正则表达式的排列来解决这个问题，但我没有遇到任何运气

我需要遍历几十个文件，在“the/a/an”和一个可能数字为1-4的数字之间提取特定短语，忽略标点符号，如{}（）[]

示例

敏捷的棕色狐狸以某种方式跳过懒惰的狗 这绝对不适合所有观众（0012）

应返回：

敏捷的棕色狐狸

懒惰的狗

某种方式4

观众0012

消除标点符号不是问题：

sed的/[[[{}（）]//g'

有什么建议吗

grep -ioP "(a|an|the).*?\d{1,4}" files

---

-o

将只打印匹配的文本，并在其自己的行上打印每个匹配项

-P

用于不情愿的量词，并使正则表达式自动扩展。当然，您可以按照上面的建议将此输出管道传输到

sed

。

在GNU awk中，您可以将输入拆分为以数字结尾的记录，这些数字可以选择用标点符号包围：

$ cat file
The quick brown fox {15} jumps over the lazy dog [20] in a certain way 4 that is definitely not appropriate for all of the viewers (0012).


$ gawk -v RS='[[:punct:]]*[[:digit:]]+[[:punct:]]*' 'RT{print $0 RT}' file
The quick brown fox {15}
 jumps over the lazy dog [20]
 in a certain way 4
 that is definitely not appropriate for all of the viewers (0012).

然后，您只需打印所需的记录部分和记录终止符：

$ gawk -v RS='[[:punct:]]*[[:digit:]]+[[:punct:]]*' 'RT{print gensub(/.*\y(the|a|an)\y/,"\\1","") gensub(/[[:punct:]]/,"","g",RT)}' file
The quick brown fox 15
the lazy dog 20
a certain way 4
the viewers 0012

我刚刚注意到，在您的示例中，您正在将输出转换为所有小写。只需在打印之前插入一个

$0=tolower（$0）

（也解决了

比较不区分大小写的问题）：

Pure Bash和正则表达式使用练习：

while read line ; do
  line=" $line"                                 # add leading space as word boundary

  while [ -n "$line" ] ; do
    [[ "$line" =~ [[:space:]]((an|a|the|An|A|The)([[:space:]]+[^[:digit:]]+)([[:digit:]]{1,4}))(.+$) ]]

    match="${BASH_REMATCH[2]}${BASH_REMATCH[3]}${BASH_REMATCH[4]}"
    match=${match//[()\[\]\{\}]/}               # remove parentheses
    [ -n "$match" ] && echo "'$match'"          # print if not empty

    line="${BASH_REMATCH[5]}"                   # the postmatch
  done
done < "$infile"

这可能适用于您（GNU-sed）：

我更喜欢使用
\b（？：a | an | the）\b[^\d.]+\d{1,4}\b
。客户端在OSX上，因此遗憾的是-P选项不可用。这和@Qtax让我走上了正确的道路：
grep-iEo“\b（？：a | an | the）\b[^\d.]+\d{1,4}\b”
感谢您的详细解释！我非常感激。
while read line ; do
  line=" $line"                                 # add leading space as word boundary

  while [ -n "$line" ] ; do
    [[ "$line" =~ [[:space:]]((an|a|the|An|A|The)([[:space:]]+[^[:digit:]]+)([[:digit:]]{1,4}))(.+$) ]]

    match="${BASH_REMATCH[2]}${BASH_REMATCH[3]}${BASH_REMATCH[4]}"
    match=${match//[()\[\]\{\}]/}               # remove parentheses
    [ -n "$match" ] && echo "'$match'"          # print if not empty

    line="${BASH_REMATCH[5]}"                   # the postmatch
  done
done < "$infile"

'The quick brown fox 15'
'the lazy dog 20'
'a certain way 4'
'the viewers 0012'

sed -r '/\b(the|an|a)\b/I!d;s//\n&/;s/[^\n]*\n//;s/\{([0-9]{1,4})\}|\(([0-9]{1,4})\)|\[([0-9]{1,4})\]|\b([0-9]{1,4})\b/\1\2\3\4\n/;P;D' file