একটি নিয়মিত প্রকাশের উপর ভিত্তি করে পাঠ্য ফাইলগুলি বিভক্ত করা

Question

ই জিংয়ের he৪ হেক্সাগ্রাম অনুযায়ী আমার কাছে একটি পাঠ্য ফাইল রয়েছে যা আমি une৪ টি অসম অংশে বিভক্ত করতে চাই। যেহেতু প্রতিটি হেক্সগ্রামের প্যাসেজটি কিছু অঙ্ক (গুলি), একটি পিরিয়ড এবং দুটি নতুন লাইন দিয়ে শুরু হয়, রেজেক্সটি লিখতে বেশ সহজ হওয়া উচিত।

তবে আমি কীভাবে এই রেজেক্স অনুসারে পাঠ্য ফাইলটিকে 64 টি নতুন ফাইলে বিভক্ত করব? এটি মনে হয় কোনও কাজের মতোই perl। তবে সম্ভবত আরও একটি উপায় আছে যা আমি পুরোপুরি অনুপস্থিত।

Answer 1

এটি csplitবাদে রেজেেক্সের একক লাইন হওয়া উচিত। এটিও sedকঠিন করে তোলে ; আমি পার্ল বা পাইথনের সাথে যাব।

আপনি যদি দেখতে পারেন

csplit foo.txt '/^[0-9][0-9]*\.$/' '{64}'

আপনার উদ্দেশ্য জন্য যথেষ্ট ভাল। ( csplitএকটি পসিক্স বিআর দরকার, যাতে এটি ব্যবহার করতে পারে না \dবা +অন্যদের মধ্যেও থাকে))

Comments

ধন্যবাদ, এটি পুরোপুরি কাজ করেছে, যদিও আমাকে এটি {63 to এ পরিবর্তন করতে হয়েছিল}

— ixtmixilix

সুতরাং, '\.'খুব কাজ করবে না?

— ভানুয়ান

Answer 2

আমি মনে করি সবচেয়ে ভাল উপায় awkএবং gawk।

awk

awk -F "([.] )|( / )" '/^[0-9]{1,3}[.]/{x="F"$1"("$2").txt";}{print >x;}' I_Ching_Wilhelm_Translation.txt

-Fপ্রতিটি লাইনের জন্য ক্ষেত্রগুলির পৃথককারী নির্দিষ্ট করবে। এটি একটি রেইজেক্স, এখানে আমরা একাধিক পৃথককারী ব্যবহার করি: ". "এবং " / "। সুতরাং এর মতো একটি লাইন 1. Ch'ien / The Creative3 টি ক্ষেত্রে বিভক্ত হবে: 1 Ch'ienএবং The Creative। পরে আমরা এই ক্ষেত্রগুলির সাথে উল্লেখ করতে পারি $n। $0সম্পূর্ণ লাইন হয়।

তারপরে আমরা প্যাকেজটিকে প্যাটার্নের সাথে মেলে ধরতে বলি ^[0-9]{1,3}[.]যদি সেখানে কোনও মিল থাকে তবে আমরা মান নির্ধারণ করি x। printঅপারেশনের জন্য ফাইলের নাম হিসাবে মানটি ব্যবহৃত হবে । এই উদাহরণে আমরা ব্যবহার করি "F"$1"("$2").txt"সুতরাং লাইনটি 1. Ch'ien / The Creativeএকটি ফাইলের নাম দেয়F1(Ch'ien).txt

জবুথবু ব্যক্তি

কথায় কথায়, আমরা বন্দী গোষ্ঠীটিতেও অ্যাক্সেস করতে পারি। সুতরাং আমরা কমান্ডটি সহজ করতে পারি:

gawk 'match($0, /^([0-9]{1,3})[.] (.*) \/ (.*)$/, ary){x="F"ary[1]"("ary[2]")";}{print >x;}' I_Ching_Wilhelm_Translation.txt

এখানে আমরা matchদলগুলি ক্যাপচার ব্যবহার করি এবং তাদের পরিবর্তনশীল তালিকায় রাখি ary। $0সম্পূর্ণ লাইন হয়। ary[0]সব কি মিলছে। ary[1...n]প্রতিটি গ্রুপ হয়।

Perl

আমরা এটি পার্ল দিয়েও করতে পারি:

perl -ne 'if(/^([0-9]{1,3})[.] (.*) \/ (.*)$/) {close F; open F, ">", sprintf("F$1($2).txt");} print F' I_Ching_Wilhelm_Translation.txt

ফলাফল:

> ls F*
F10(Lü).txt         F22(Pi).txt       F34(Ta Chuang).txt  F46(Shêng).txt     F58(Tui).txt
F11(T'ai).txt       F23(Po).txt       F35(Chin).txt       F47(K'un).txt      F59(Huan).txt
F12(P'i).txt        F24(Fu).txt       F36(Ming I).txt     F48(Ching).txt     F5(Hsü).txt
F13(T'ung Jên).txt  F25(Wu Wang).txt  F37(Chia Jên).txt   F49(Ko).txt        F60(Chieh).txt
F14(Ta Yu).txt      F26(Ta Ch'u).txt  F38(K'uei).txt      F4(Mêng).txt       F61(Chung Fu).txt
F15(Ch'ien).txt     F27(I).txt        F39(Chien).txt      F50(Ting).txt      F62(Hsiao Kuo).txt
F16(Yü).txt         F28(Ta Kuo).txt   F3(Chun).txt        F51(Chên).txt      F63(Chi Chi).txt
F17(Sui).txt        F29(K'an).txt     F40(Hsieh).txt      F52(Kên).txt       F64(Wei Chi).txt
F18(Ku).txt         F2(K'un).txt      F41(Sun).txt        F53(Chien).txt     F6(Sung).txt
F19(Lin).txt        F30(Li).txt       F42(I).txt          F54(Kuei Mei).txt  F7(Shih).txt
F1(Ch'ien).txt      F31(Hsien).txt    F43(Kuai).txt       F55(Fêng).txt      F8(Pi).txt
F20(Kuan).txt       F32(Hêng).txt     F44(Kou).txt        F56(Lü).txt        F9(Hsiao Ch'u).txt
F21(Shih Ho).txt    F33(TUN).txt      F45(Ts'ui).txt      F57(Sun).txt

উদাহরণ ফাইলটি কীভাবে পাবেন:

curl http://www2.unipr.it/~deyoung/I_Ching_Wilhelm_Translation.html|html2text -o I_Ching_Wilhelm_Translation.plain
sed 's|^[[:blank:]]*||g' I_Ching_Wilhelm_Translation.plain > I_Ching_Wilhelm_Translation.txt

Answer 3

গনুহ coreutils সঙ্গে, আপনি ব্যবহার করতে পারেন csplit, regexp-সীমা নির্দেশ করা টুকরো একটি ফাইল বিরতি যেমন geekosaur দ্বারা প্রদর্শিত ।

কোনও ফাইলকে টুকরো টুকরো করার জন্য এখানে একটি পোর্টেবল অ্যাজক স্ক্রিপ্ট k এটি দ্বারা কাজ করে

• getlineমাল্টলাইন (2-লাইন) বিভাজকের সাথে ডিল করার জন্য আহ্বান ;
• outfileযখন বিভাগে শিরোনামের মুখোমুখি হয় তখন মুদ্রণ করতে ফাইলটির নামের সাথে একটি ভেরিয়েবল সেট করে ।

BEGIN {outfile="header.txt"}
{
    while (/^[0-9]+\.$/) {
        prev = $0; getline;
        if ($0 == "") outfile = prev "txt";
        print prev >outfile
    }
    print >outfile
}

Comments

এটি নীতিগতভাবে কাজ করে , তবে প্রকৃত ওয়েব পৃষ্ঠার ডেটা বিভাগের শিরোনামটি রেজেক্স দ্বারা প্রতিনিধিত্ব করা হয় না (একইভাবে জিকোসরের উত্তর সহ)। nunber. স্ল্যাশযুক্ত পাঠ্যের পরে শীর্ষস্থানীয় হয় /। আমি নিশ্চিত যে উল্লিখিত two newlines আইটেমিক্সিলিক্সটি হ'ল দুটি ফাঁকা রেখা যা সংখ্যার শনাক্তকারীর পূর্ববর্তী এবং আরও নির্দিষ্টভাবে শিরোনামটি সনাক্ত করতে পারে তবে ওয়েব পৃষ্ঠায় তথ্য কেবল /^[0-9]+\. বিভাগের শিরোনামগুলিতে মেলে তাই তাদের জন্য প্রয়োজনীয় কোনও প্রয়োজন নেই ( এই বিশেষ ক্ষেত্রে)। ধন্যবাদ; বিশেষত getline.. পিএস এর পরিচিতির জন্য । যখন হতে পারে?

— পিটার.ও

@ ফ্রেড গাইকোসর এবং আমি প্রশ্নের বিবরণ দিয়েছিলাম, ওয়েবসাইটের ডেটা দ্বারা নয়। লেআউটটি পাঠ্যে রূপান্তর করতে ব্যবহৃত HTML রেন্ডারিং ইঞ্জিনের উপর নির্ভর করবে; ওয়েব পৃষ্ঠা থেকে এটি যে অংশে রেন্ডার করা হয়েছে তা আসলে প্রশ্নের সাথে সম্পর্কিত নয়। ||| ইনপুটটিতে (যেখানে নিউলাইনগুলি রয়েছে) whileরয়েছে সে ক্ষেত্রে রয়েছে : অবশ্যই শিরোনামের লাইনে স্বীকৃতি দিতে হবে। এটি এখানে ঘটবে না, তবে এটিকে আরও সাধারণ করার জন্য আমি আমার কোডটিতে এটি সমর্থন করি (এবং প্রশ্নের স্পেসিফিকেশনটিকে আরও কঠোরভাবে মেলে)। 1.\n2.\n\n\n2.

— গিলস 'খারাপ হয়ে যাওয়া বন্ধ করুন'