Regex 使用awk将特定子字符串与正则表达式匹配

我正在处理一个特定的文件名，需要从中提取信息

文件名的结构类似于：“20100613_M4_28007834.005_F_RANDOMSTR.raw.gz”

使用RANDOMSTR时，一个最多22个字符的字符串，其中可能包含格式为“-W[0-9].[0-9]{2}.[0-9]{3}”的子字符串（或不包含）。此子字符串还具有以“-W”开头的独特功能

我需要提取的信息是RANDOMSTR的子字符串，没有这个可选的子字符串

我想在bash脚本中实现这一点，到目前为止，我发现最好的选择是将gawk与正则表达式一起使用。我迄今为止最好的尝试失败了：

gawk --re-interval '{match ($0,"([0-9]{8})_(M[0-9])_([0-9]{8}\\.[0-9]{3})_(.)_(.*)(-W.*)?.raw.gz",arr); print arr[5]}' <<< "20100613_M4_28007834.005_F_OTHER-STRING-W0.40+045.raw.gz"
OTHER-STRING-W0.40+045

---

gawk--re interval'{match（$0，（[0-9]{8}）{uM[0-9]）\\\[0-9]{8}\\\.[0-9]{3}.[uU9]{3}.[W].-raw.gz]，arr）；print arr[5]}这里的困难似乎是在可选的
（-W.-
之前的
（.
占据了后面的文本。使用非贪婪匹配也没有帮助。不幸的是，我的regex-fu太弱了，无法应对这种情况

如果您不介意使用多通道解决方案，那么一种更简单的方法是首先通过删除尾部的
.raw.gz
和可能的
-W*
来清理输入

str="20100613_M4_28007834.005_F_OTHER-STRING-W0.40+045.raw.gz"
echo ${str%.raw.gz}  | # remove trailing .raw.gz
     sed 's/-W.*$//' | # remove trainling -W.*, if any
     sed -nr 's/[0-9]{8}_M[0-9]_[0-9]{8}\.[0-9]{3}_._(.*)/\1/p'

我使用了sed，但是你也可以使用gawk/awk。
你需要能够使用look-arounds，我认为awk/gawk不支持这一点，但是
grep-p
支持

$ pat='(?<=[0-9]{8}_M[0-9]_[0-9]{8}\.[0-9]{3}_._)(.*?)(?=(-W.*)?\.raw\.gz)'
$ echo "20100613_M4_28007834.005_F_SOME-STRING.raw.gz" | grep -Po "$pat"
SOME-STRING
$ echo "20100613_M4_28007834.005_F_OTHER-STRING-W0.40+045.raw.gz" | grep -Po "$pat"
OTHER-STRING

$pat=”（？无法使用不情愿的量词，但按顺序运行两个正则表达式即可：

sed -E -e 's/^.{27}(.*).raw.gz$/\1/' << FOO | sed -E -e 's/-W[0-9.]+\+[0-9.]+$//'
20100613_M4_28007834.005_F_SOME-STRING.raw.gz
20100613_M4_28007834.005_F_OTHER-STRING-W0.40+045.raw.gz
FOO

sed-E-E's/^.{27}（.*）.raw.gz$/\1/'虽然grep解决方案确实很好，但OP没有提到操作系统，而且
-p
选项似乎只在Linux中可用。在awk中实现这一点也很简单

$ awk -F_ '{sub(/(-W[0-9].[0-9]+.[0-9]+)?\.raw\.gz$/,"",$NF); print $NF}' <<EOT
> 20100613_M4_28007834.005_F_SOME-STRING.raw.gz
> 20100613_M4_28007834.005_F_OTHER-STRING-W0.40+045.raw.gz
> EOT
SOME-STRING
OTHER-STRING
$ 

您提到子字符串具有模式
“-W[0-9].[0-9]{2}.[0-9]{3}”
，但是您的示例输入包含
…W0.40+045.raw.gz
。您需要兼顾这两种模式吗？我不包括“.raw.gz”作为子字符串的一部分。抱歉，我的意思是提请注意加号，它不会包含在您的模式中。这意味着该模式只匹配我不希望从RANDOMSTR中得到的部分，而不是整个字符串。（我无法编辑我以前的注释）嗯，我有点懒，只是放了一个“.”在加号的位置。它匹配字符串，所以对我来说没问题。但最后我并没有真正使用该模式，使用“（-W.*）”对我来说就足够了。子字符串的模式只是作为参考提供的，以防有用。这绝对是更强的正则表达式fu！+1btw，除非我将其更改为
pat=”（？@Shawn:
（.+？）
可能更好，但它对我有效，如图所示。我只是复制并粘贴了我答案中的行，然后再次测试它，它有效（无论哪种方式）。两种方式都有效！它对我也有效，但仅使用Shawn的变体。遗憾的是，我的grep fu没有我的awk fu那么强大。如果经过一些测试，我无法得到我需要的结果（不在本期讨论的范围内），我会回复你：
（.*）
在RHEL5框上运行时有效，但在RHEL4上给出了一个空结果。奇怪的是，grep的版本是相同的（2.5.1），但Bash的版本不同（3.2 vs 3.0）。我希望它是grep的版本，而不是Bash。
sed-E的s/（-W[0-9].[0-9]{2}.[0-9]{3]？\.raw\.gz$/；s/*.\/'
…您不需要多个管道。（对于所有Linux用户，使用
sed-r
而不是
sed-E
）是的，非常正确。sed-E将执行一系列命令。我应该重新编写一个脚本：）
$ awk -F_ '{sub(/(-W[0-9].[0-9]+.[0-9]+)?\.raw\.gz$/,"",$NF); print $NF}' <<EOT
> 20100613_M4_28007834.005_F_SOME-STRING.raw.gz
> 20100613_M4_28007834.005_F_OTHER-STRING-W0.40+045.raw.gz
> EOT
SOME-STRING
OTHER-STRING
$ 

$ awk -F_ '{sub(/(-W[0-9.+]+)?\.raw\.gz$/,"",$NF); print $NF}'