免费注册 查看新帖 |

Chinaunix

  平台 论坛 博客 文库
最近访问板块 发新帖
查看: 6044 | 回复: 7
打印 上一主题 下一主题

[文本处理] [正则表达]如何找这样的重复行? [复制链接]

论坛徽章:
0
跳转到指定楼层
1 [收藏(0)] [报告]
发表于 2013-08-23 16:33 |只看该作者 |倒序浏览
<h2>1080</h2>:1080
<h2>1080</h2>:1080s
<h2>12–step</h2>:12-step
<h2><a href="entry://18–wheel.er">18–wheel.er</a></h2>:18-wheeler
<h2><a href="entry://18–wheel.er">18–wheel.er</a></h2>:18-wheelers
<h2><a href="entry://twenty–twenty">twen.ty–twen.ty</a></h2>:20/20
<h2>2,4,5–T</h2>:2,4,5-T
<h2>24–7</h2>:24-7
<h2>24–7</h2>:24/7
<h2>2,4–D</h2>:2,4-D
<h2>2–D</h2>:2-D
<h2>2–D</h2>:2-Ds
<h2>2WD</h2>:2WD
<h2>3–D</h2>:3-D
<h2>3–D</h2>:3-Ds
<h2>4–H</h2>:4-H
<h2>4–H</h2>:4-H'er
<h2>4–H</h2>:4-Her
<h2>4–H</h2>:4-H'ers
如:
重复内容:
<h2>1080</h2>:1080
<h2>1080</h2>:1080s
就是看<h2>1080</h2>,是重复了。
<h2>12–step</h2>:12-step这个没有重复了!
这三行都是重复的:
<h2>4–H</h2>:4-H
<h2>4–H</h2>:4-H'er
<h2>4–H</h2>:4-Her
<h2>4–H</h2>:4-H'ers
是否sed无法实现?awk又不熟悉...

论坛徽章:
33
ChinaUnix元老
日期:2015-02-02 08:55:39CU十四周年纪念徽章
日期:2019-08-20 08:30:3720周年集字徽章-周	
日期:2020-10-28 14:13:3020周年集字徽章-20	
日期:2020-10-28 14:04:3019周年集字徽章-CU
日期:2019-09-08 23:26:2519周年集字徽章-19
日期:2019-08-27 13:31:262016科比退役纪念章
日期:2022-04-24 14:33:24
2 [报告]
发表于 2013-08-23 16:39 |只看该作者
  1. awk -F: '!a[$1]++' urfile
复制代码

论坛徽章:
0
3 [报告]
发表于 2013-08-23 16:56 |只看该作者
回复 2# Shell_HAT
多谢,不过不重复的内容出现了。只要想重复内容,也就是过滤不重复!

   

论坛徽章:
6
摩羯座
日期:2013-08-24 10:43:10狮子座
日期:2013-08-25 10:27:06天秤座
日期:2013-09-11 20:28:44午马
日期:2014-09-28 16:06:0015-16赛季CBA联赛之八一
日期:2016-12-19 13:55:0515-16赛季CBA联赛之天津
日期:2016-12-20 14:01:23
4 [报告]
发表于 2013-08-23 17:20 |只看该作者
本帖最后由 cao627 于 2013-08-23 17:26 编辑
  1. awk -F: '{if(++a[$1]==1)b[$1]=$0;if(a[$1]==2){print b[$1];f[$1]=1}}f[$1]' file
复制代码

论坛徽章:
0
5 [报告]
发表于 2013-08-23 17:26 |只看该作者
回复 4# cao627
比上面好一点点,但是数据是这样时就有问题
<h2><a href="entry://ability">abil.i.ty</a></h2>:ability
<h2><a href="entry://ab incunabulis">ab in.cu.na.bu.lis</a></h2>:ab incunabulis
<h2><a href="entry://Abington">Ab.ing.ton</a></h2>:Abington
<h2><a href="entry://ab initio">ab in.i.tio</a></h2>:ab initio
<h2><a href="entry://abiogenesis">abio.gen.e.sis</a></h2>:abiogeneses
<h2><a href="entry://abiogenesis">abio.gen.e.sis</a></h2>:abiogenesis
<h2><a href="entry://abiogenesis">abio.gen.e.sis</a></h2>:abiogenesises
<h2><a href="entry://abiogenic">abio.gen.ic</a></h2>:abiogenic
<h2><a href="entry://abiogenic">abio.gen.ic</a></h2>:abiogenically

1-4非重复内容还是出现!
   

论坛徽章:
39
辰龙
日期:2013-08-21 15:45:192015亚冠之广州富力
日期:2015-05-12 16:34:52亥猪
日期:2015-03-03 17:22:00申猴
日期:2015-03-03 17:21:37未羊
日期:2014-10-10 13:45:41戌狗
日期:2014-06-17 09:53:29巨蟹座
日期:2014-06-12 23:17:17双鱼座
日期:2014-06-10 12:42:44寅虎
日期:2014-06-09 12:52:172015亚冠之卡尔希纳萨夫
日期:2015-05-24 15:24:35黄金圣斗士
日期:2015-12-02 17:25:0815-16赛季CBA联赛之吉林
日期:2017-06-24 16:43:52
6 [报告]
发表于 2013-08-23 17:37 |只看该作者
回复 5# peterdocter
  1. awk -F'</h2>:' 'FNR==NR{a[$1]++;next}a[$1]>1' file file
复制代码

论坛徽章:
6
摩羯座
日期:2013-08-24 10:43:10狮子座
日期:2013-08-25 10:27:06天秤座
日期:2013-09-11 20:28:44午马
日期:2014-09-28 16:06:0015-16赛季CBA联赛之八一
日期:2016-12-19 13:55:0515-16赛季CBA联赛之天津
日期:2016-12-20 14:01:23
7 [报告]
发表于 2013-08-23 18:05 |只看该作者
@peterdocter
楼上正解;关键是你没说楚:“判断重不重复是取一行上<h2>和</h2>之间的内容 ”

论坛徽章:
0
8 [报告]
发表于 2013-08-26 11:55 |只看该作者
回复 6# 关阴月飞

多谢!已经实测过,可行!
   
您需要登录后才可以回帖 登录 | 注册

本版积分规则 发表回复

  

北京盛拓优讯信息技术有限公司. 版权所有 京ICP备16024965号-6 北京市公安局海淀分局网监中心备案编号:11010802020122 niuxiaotong@pcpop.com 17352615567
未成年举报专区
中国互联网协会会员  联系我们:huangweiwei@itpub.net
感谢所有关心和支持过ChinaUnix的朋友们 转载本站内容请注明原作者名及出处

清除 Cookies - ChinaUnix - Archiver - WAP - TOP