免费注册 查看新帖 |

Chinaunix

  平台 论坛 博客 文库
1234下一页
最近访问板块 发新帖
查看: 12087 | 回复: 31
打印 上一主题 下一主题

[文本处理] [正则]可能要用awk才实现?[sed and awk完美解答] [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 2013-09-17 12:10 |只看该作者 |倒序浏览
本帖最后由 peterdocter 于 2013-09-24 09:42 编辑

由于原格式比较大,就附件上传。
base64.zip (21.21 KB, 下载次数: 8)

大致格式是这样:
A-frame
<link href="cald3bl.css" rel="stylesheet" type="text/css"></link>
<a href="entry://A-frame"><span class='hw'>A-frame</span></a><BR> <span class='pron'>/ˈeɪ.freɪm/</span> <span class='lab'> US</span> <br> <span class='pos'>noun</span> [C] <BR><img src="data:image/jpeg;base64,......" border='0'/><BR><span class='def'><span class='en'><a href="entry://a">a</a> <a href="entry://simple">simple</a> <a href="entry://house">house</a> <a href="entry://shaped">shaped</a> <a href="entry://like">like</a> <a href="entry://an">an</a> <a href="entry://a">A</a>, <a href="entry://with">with</a> <a href="entry://two">two</a> <a href="entry://of">of</a> <a href="entry://its">its</a> <a href="entry://four">four</a> <a href="entry://wall">walls</a> sloping <a href="entry://and">and</a> <a href="entry://meeting">meeting</a> <a href="entry://at">at</a> <a href="entry://the">the</a> <a href="entry://top">top</a> <a href="entry://to">to</a> <a href="entry://act">act</a> <a href="entry://as">as</a> <a href="entry://a">a</a> <a href="entry://roof">roof</a> <BR></span><span class='sc'>A 字形简易房屋<BR></span><span class='tc'>A 字形簡易房屋<BR></span></span>
</>

要实现两个效果:
A效果就是
headword
*自添加
src="要而且带有base64所有值"

再组合成
A-frame*data:image/jpeg;base64, /9j/4AAQSkZJRgABAgEASABIAAD/...

B: 就是在原文进行替换成这样
A-frame
<link href="cald3bl.css" rel="stylesheet" type="text/css"></link>
<a href="entry://A-frame"><span class='hw'>A-frame</span></a><BR> <span class='pron'>/ˈeɪ.freɪm/</span> <span class='lab'> US</span> <br> <span class='pos'>noun</span> [C] <BR><img src="A-frame.jpg" border='0'/>...
注意:
headword是变化非固定,而且是多个
以解答时候总结:
Shell_HAT 大大
awk:
A. awk '{if($0!~/^</)s=$0;else if($0~/data:image/){gsub(/.*img src="/,"");gsub(/" border=.*/,"");print s"*"$0}}' urfile
B. awk '{if($0!~/^</){s=$0;print}else if($0~/data:image/)print gensub (/(.*img src=").*(" border=.*)/, "\\1"s".jpg\\2", "g"); else print}' urfile
blackold 大大
也是论坛中黑哥大神,居然也可以用sed完成
A. LC_ALL=C sed ':n;/^</!{$d;N;s/\n.*src="\([^"]*\)".*/*\1/;t;bn};d' base64.txt
如果不存在 base64信息,则不输出。原来的代码在这种情况下会进入死循环。
B.
LC_ALL=C sed '/^</!{h;b;};G;s/src="data:image\/jpeg[^"]*"\(.*\)\n\(.\+\)$/src="\2.jpg"\1/;s/\n.*//;'

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
2 [报告]
发表于 2013-09-17 12:28 |只看该作者
表示第一个要求没看懂

论坛徽章:
0
3 [报告]
发表于 2013-09-17 12:33 |只看该作者
本帖最后由 peterdocter 于 2013-09-17 12:34 编辑

回复 2# 关阴月飞


    A.
只提取成这样格式
A-frame*data:image/jpeg;base64,......这里省简很多内容

A-frame 是headword
data:image/jpeg;base64 是src=""中的内容。
具体下载附件用于测试多谢回答!

论坛徽章:
0
4 [报告]
发表于 2013-09-20 16:54 |只看该作者
是我再次描述不清楚,还是大家都过中秋去...
还是这个比较难了?

论坛徽章:
0
5 [报告]
发表于 2013-09-23 10:47 |只看该作者
看来大家还是不知道清楚要求:
1
<link href="cald3bl.css" rel="stylesheet" type="text/css"></link>
<a href="entry://A-frame"><span class='hw'>A-frame</span></a><BR> <span class='pron'>/ˈeɪ.freɪm/</span> <span class='lab'> US</span> <br> <span class='pos'>noun</span> [C] <BR><img src="data:image/jpeg;base64,......" border='0'/><BR><span class='def'><span class='en'><a href="entry://a">a</a> <a href="entry://simple">simple</a> <a href="entry://house">house</a> <a href="entry://shaped">shaped</a> <a href="entry://like">like</a> <a href="entry://an">an</a> <a href="entry://a">A</a>, <a href="entry://with">with</a> <a href="entry://two">two</a> <a href="entry://of">of</a> <a href="entry://its">its</a> <a href="entry://four">four</a> <a href="entry://wall">walls</a> sloping <a href="entry://and">and</a> <a href="entry://meeting">meeting</a> <a href="entry://at">at</a> <a href="entry://the">the</a> <a href="entry://top">top</a> <a href="entry://to">to</a> <a href="entry://act">act</a> <a href="entry://as">as</a> <a href="entry://a">a</a> <a href="entry://roof">roof</a> <BR></span><span class='sc'>A 字形简易房屋<BR></span><span class='tc'>A 字形簡易房屋<BR></span></span>
</>
A:就是只取成这个效果
1*data:image/jpeg;base64,......(这是省略符) 其它内容都不要。就是sed -n /正则/p的效果
B: 就是在原文进行替换成这样
1
<link href="cald3bl.css" rel="stylesheet" type="text/css"></link>
<a href="entry://A-frame"><span class='hw'>A-frame</span></a><BR> <span class='pron'>/ˈeɪ.freɪm/</span> <span class='lab'> US</span> <br> <span class='pos'>noun</span> [C] <BR><img src="1.jpg" border='0'/>...
注意:
1是变化非固定!
这次表达应该清楚了吧?

论坛徽章:
5
2015年辞旧岁徽章
日期:2015-03-03 16:54:152015年迎新春徽章
日期:2015-03-04 09:50:282015年亚洲杯之朝鲜
日期:2015-03-13 22:47:33IT运维版块每日发帖之星
日期:2016-01-09 06:20:00IT运维版块每周发帖之星
日期:2016-03-07 16:27:44
6 [报告]
发表于 2013-09-23 11:13 |只看该作者
回复 5# peterdocter


    还是看不懂啊。

论坛徽章:
5
2015年辞旧岁徽章
日期:2015-03-03 16:54:152015年迎新春徽章
日期:2015-03-04 09:50:282015年亚洲杯之朝鲜
日期:2015-03-13 22:47:33IT运维版块每日发帖之星
日期:2016-01-09 06:20:00IT运维版块每周发帖之星
日期:2016-03-07 16:27:44
7 [报告]
发表于 2013-09-23 11:19 |只看该作者
回复 5# peterdocter


    有的看明白了,1是headword。那你整个文件只有一个 headword?

如果有多个headword, 如何判断headword?

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
8 [报告]
发表于 2013-09-23 11:36 |只看该作者
  1. awk '{if($0!~/^</)s=$0;else if($0~/data:image/){gsub(/.*img src="/,"");gsub(/" border=.*/,"");print s"*"$0}}' urfile
复制代码

论坛徽章:
0
9 [报告]
发表于 2013-09-23 11:48 |只看该作者
回复 7# blackold
headword都没有标签包括!

如果可以样就是就行!
就是以</>之前数据都分别存入数组。
只要是all[0]就是headword
或者再分两步进行...
大分割</>取出局部内容入a数组
小分害\n  同样入b数组
b[0]也就是headword
就是不知道如何用awk实现?
   

论坛徽章:
1
巳蛇
日期:2013-10-28 15:55:33
10 [报告]
发表于 2013-09-23 12:07 |只看该作者
好像看懂了,你为了照顾那些不支持html5的旧机器,需要对img的src做处理。
把base64编码的图片数据写入文件,然后引用文件地址。

如果你确定每个词条只有一张图片的话,把文件链接发给我。我17:30给你转。
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