Regex 在类c语言中，帮助在匹配的大括号之间提取文本块

我有一些HDF5文件格式的文档，是用GraphViz点语言编写的。（这是一种类似C的语言，有很多大括号。）此主文件包含许多类似以下内容的元素：

subgraph cluster_clustername { 
                              ...
                              lots of stuff including more curly braces spanning multiple lines
                              ...
                              }

我想基于clustername提取这段文本。（我想单独创建这些子图的图形，而不是包含所有内容的超大图形。每个子图群集是一个单独的HDF5文件，通过HDF5外部软链接连接。）

应该有一种方法来提取所需的大块文本（这是一种将多行中的第一个{在某些特定的文本模式之后和结尾}与嵌套进行匹配的练习）。由于C和C类语言的流行，这似乎应该是一项相对常见的任务

在我看来，实现这一目标的最佳候选工具是：

awk

python

gvpr-graphviz附带的graph stream editor（但这对其他人没有帮助，比如说C程序员也有同样的问题，网络上几乎没有示例，语法也很混乱）

sed

目前，我维护主文件，然后使用M-x ediff区域逐行更新Emacs中的每个派生文件，但我需要一个自动化的（因此我可以使用Make来构建文档文件）生成派生文件的健壮方法。我对上述工具仅有的一点经验是sed，但由于模式复杂且跨越多行，我认为像awk或python这样的工具可能更适合这项任务

事实上，我在awk中尝试了一种类似于引用计数的技术，但在理解awk的一些更微妙的行为时遇到了问题，并且在过去只真正使用过awk一行程序

非常感谢您的帮助。

---

-Z

使用Perl，您可以使用。它可以在平衡分隔符之前、内部和之后返回文本。

您可以使用awk或任何具有良好字符串处理功能的编程语言。例如，使用一些突出的模式拆分文本。例如说“子图”分离每个块，如果您想要得到集群，可以这样做

$ cat file
subgraph cluster_A {
                              ...
                              lots of stuff more curly {
                          }
                              ...
                              }

subgraph cluster_B {
                              ...
                              lots of stuff including more curly braces spanning multiple lines
                              ...
                              }

$ awk 'BEGIN{RS="subgraph"} /cluster_A/{ print "subgraph "$0} ' file
subgraph  cluster_A {
                              ...
                              lots of stuff more curly {
                          }
                              ...
                              }

---

我不能告诉你这是最好或最优雅的解决方案，但我以前使用过这个python函数，它可以工作。它不会处理注释或字符串文本中不平衡的括号，但会处理嵌套的括号。使用像

token=get\u token\u-between\u-chars（string\u-to\u-parse，{'，}'）

---

对于regex解决方案，有人问了一个类似的问题，因此regex取决于您的regex引擎，而不是琐碎的，这不是我的第一选择。您的“大量内容”是否包括字符串文本或包含（非重要）的注释应该忽略的大括号？是的，这包括字符串文字和注释，用于更新。我会搜索一下，但要警告的是，我完全没有perl经验。如果有人有更多的OTS解决方案，我当然会很感激。同时，我会探索这一点。问题是，在每个子图之间，我还需要其他东西不需要（边将每个子图的不同组件连接在一起）。如果这仅仅是一个获取行模式1和行模式2之间的文本的问题，我们可以很容易地做到：

sed-n'/pattern1/，/pattern2/p'filename.dot

找到块的ed的唯一方法是找到关闭块的匹配}。谢谢Dan。我会看看这个，以确保我理解所有内容，然后试一试。与python正则表达式模块一起，我认为我应该能够实现这一点。

def get_token_between_chars(string, start_char, end_char):
  token = ''

  n_left = 0
  n_right = 0
  closed = False

  start_index = 0
  end_index = 0
  count = 0

  for c in string:
    if c == start_char:
      n_left += 1
      if n_left == 1:
        start_index = count
    elif c == end_char:
      n_right += 1

    if n_left > n_right and not closed:
      token += c
    elif n_left > 0 and n_left == n_right:
      closed = True
      end_index = count
      break

    count += 1

  token = token[1 : len(token)]
  return [start_index, token, end_index+1]