标题: [已解决]sed去除关键词之间的关键词 [打印本页]
作者: hlzj88 时间: 2018-12-17 17:54 标题: [已解决]sed去除关键词之间的关键词
本帖最后由 hlzj88 于 2018-12-22 21:36 编辑
如题，假设文本内容为
罗伯特不满：“我最近运气不好，<br>也不需要你让着我。<br>我不信和你打赌<br>会一直输。”<br>陆恪当时没在意，但晚上回到房间躺下，脑中有种若有似无的灵感在飘荡着。<br>罗伯特没有回答，而是继续问道：“想要有一个更大舞台么？<br>”<br>陆恪吃惊：“啊？”
上句为人为制造，可见，有三对完整引号，如果按这样断行，不符合正常断句。因此只去除引号内的<br>，其他保留，基本符合常规断句。
谢谢！
以上是原问题，经why帮助已解决，代码在2楼。因我的sed版本问题导致不能成功，所以更新了sed。
同时发现新问题，使用sed4.4版本后，处理较多，较大文件时，这个sed相比原来的sed（版本不清楚，大小234K）在速度上变得明显慢了。为了速度，使用原来的sed后，直接出现Program too big to fit in memory错误，这个版本的sed不能使用了，经两台重装系统后都发现老sed也不能用了，错误同前。匪夷所思。
本意提醒大家注意到这样的问题，版主热情关心，建议把我的工具发到首页，忘能有大家帮助共同解决。特补充内容到三楼，期待热心人帮助。
作者: WHY 时间: 2018-12-17 19:09
本帖最后由 WHY 于 2018-12-17 21:30 编辑
- sed -r ":a;s/(“[^“”]*)<br>([^“”]*”)/\1\2/g;ta" 1.txt > 2.txt
作者: hlzj88 时间: 2018-12-17 19:40
本帖最后由 hlzj88 于 2018-12-22 22:27 编辑
回复 2# WHY
这个代码是专职 从网页文件提取正文的。
1网页提取.bat 设计要使它能兼容不同网页编码，不同行长，gizp压缩网页，不同排版。使提取的网页正文尽量干净。产生是文本要通过重新排版，使内容更符合常规断句。要求能独立运行，也可被别的文件调用。
附件已上传，http://www.bathome.net/attachmen ... XhxTUo4dzd1WQ%3D%3D
作者: Batcher 时间: 2018-12-17 20:16
回复 3# hlzj88
请在顶楼给个具体的例子吧
作者: 523066680 时间: 2018-12-17 20:22
本帖最后由 523066680 于 2018-12-17 20:23 编辑
回复 3# hlzj88
2楼已经给出了核心思路。相信好学的人已经能够举一反三，而不是丢一句 “经测试不成功”。 
加个循环的事儿～ Perl- my $s='其他词“其他词<br>a<br>其他词”其他词';
- while ($s=~s/(“[^“”]+)<br>([^“”]+”)/$1$2/) {};
- print $s;
作者: hlzj88 时间: 2018-12-17 20:45
回复 4# Batcher
已重新举例。
回复 5# 523066680
你说的是，对正则表达一头雾水，sed使用也浅。好吧，不给自己找理由。也谢谢你。
作者: WHY 时间: 2018-12-17 21:32
回复 3# hlzj88
已修改
作者: hlzj88 时间: 2018-12-17 21:41
回复 7# WHY
应Batcher版主提议，已修改一楼的例句，可能能代表更实际的复杂情况。你的代码测试可去掉 舞台 那句里的，第一句反复执行无变化。
谢谢。麻烦你再看看。
作者: WHY 时间: 2018-12-17 21:56
回复 8# hlzj88
Microsoft Windows [版本 10.0.17763.168]
(c) 2018 Microsoft Corporation。保留所有权利。
C:\Users\WHY>cd /d E:\Test
E:\Test>type 1.txt
如题，假设文本内容为
罗伯特不满：“我最近运气不好，<br>也不需要你让着我。<br>我不信和你打赌<br>会一直输。”<br>陆恪当时没在意，但晚上回 到房间躺下，脑中有种若有似无的灵感在飘荡着。<br>罗伯特没有回答，而是继续问道：“想要有一个更大舞台么？<br>”<br>陆恪吃惊：“啊？”
E:\Test>sed -r ":a;s/(“[^“”]*)<br>([^“”]*”)/\1\2/g;ta" 1.txt > 2.txt
E:\Test>type 2.txt
如题，假设文本内容为
罗伯特不满：“我最近运气不好，也不需要你让着我。我不信和你打赌会一直输。”<br>陆恪当时没在意，但晚上回到房间躺下， 脑中有种若有似无的灵感在飘荡着。<br>罗伯特没有回答，而是继续问道：“想要有一个更大舞台么？”<br>陆恪吃惊：“啊？”
E:\Test>
作者: hlzj88 时间: 2018-12-17 22:44
回复 9# WHY
非常感谢你，通过比较和怀疑，重新下载了sed 4.4版本，二楼代码一次成功。原来是我的sed有不足。系统win7
作者: hlzj88 时间: 2018-12-20 21:20
补充，sed4.4的处理速度不敢恭维，整体慢了很多。 想放弃，但是替换回原sed后，运行出错，大意是文件太大不能载入吧。重装两台电脑也是同样问题。
理论上应该是不可能的问题，毕竟发生了。不想这样来联系问题，但的确是几乎没有做其他事情就这样了。
有看到的，可以参考为戒。
作者: tigerpower 时间: 2018-12-21 14:08
本帖最后由 tigerpower 于 2018-12-25 18:01 编辑
回复 11# hlzj88
下载 sed 4.5
作者: Batcher 时间: 2018-12-21 14:16
回复 11# hlzj88
需要处理一个很大的文件（大概多少行，文件大小多少M）？还是很多个小文件（大概多少文件）？
作者: hlzj88 时间: 2018-12-21 22:24
回复 13# Batcher
先谢谢12楼tigerpower
回版主：网络小说下载合并处理，因sed的替换等很方便，且有回车效果，处理很方便，所以使用sed。文件不大，十几K的小文件，为提速，避免多个文件单独处理需多次启动sed和其他命令，采取n合1方式，加限制，每个合并后文件不大于2.5M。替换后sed后运行发现整体速度明显下降。于是打算重新用原来版本的sed，出现Program too big to fit in memory提示，已不能处理文件。对于十几K的小文件，sed也会出现这提示，已不能处理文件。百度无解，用新sed可工作就是慢的着急。刚好也打算重做系统，一并解决。但重装后使用老sed，发现已不能如前顺利处理。怀疑在单位重复上面的经过，同样结果。不明原因。也无力深究。
作者: Batcher 时间: 2018-12-21 22:34
回复 14# hlzj88
sed 4.4 处理2.5M文件大概几分钟？12楼说的sed 4.5速度如何？完整bat代码发出来看看是否可以进一步优化。
作者: hlzj88 时间: 2018-12-21 23:17
回复 15# Batcher
组件形式，单独上传了提取网页的bat[attach]11644[/attach]
作者: Batcher 时间: 2018-12-22 10:25
回复 16# hlzj88
建议把最新情况和代码都更新到顶楼吧，否则好多人可能看不到 
作者: WHY 时间: 2018-12-22 23:52
如果文件数量多的话，建议用 sed 批量替换，而不是每个文件调用多次 sed 命令。
如：sed -i "s/[A-Z]/\l&/g;s/<br \/>/<br>/g" *.txt
可以减少 sed 调用次数，提高点效率。htox32c 应该也支持批量转换。
作者: tigerpower 时间: 2018-12-23 10:02
回复 14# hlzj88
你觉得原来的sed快可以继续用原来的，把二楼那句用mawk替换掉- mawk "{while($0){match($0,/“/);s=RSTART;if(!s){printf $0;break}printf substr($0,1,s-1);match($0,/”/);e=RSTART+RLENGTH;t=substr($0,s,e-s+1);gsub(/<br>/,\"\",t);printf t;$0=substr($0,e+1)}print \"\"}" 1.txt > 2.txt
作者: hlzj88 时间: 2018-12-24 20:58
本帖最后由 hlzj88 于 2018-12-24 21:25 编辑
回复 18# WHY
回复 19# tigerpower
谢谢，谢谢。
@why：实践表明，sed几个替换同一语句的用法，最稳妥的是一次4个连用，多了也会错的，也许这也是和版本有关系，不清楚了。
作者: Batcher 时间: 2018-12-24 23:42
回复 20# hlzj88
每个替换前面加个 -e 能否超过4个呢
作者: hlzj88 时间: 2018-12-26 22:31
回复 21# Batcher
谢谢指导，尝试加 -e 可以多个替换一次处理
另，通过每句命令加暂停，观察到 sed ":a;N;s/\n//;ba;" 1.txt>2.txt 当文件较大时，极度耗时间。已另思路解决。几秒。
| 欢迎光临 批处理之家 (http://bbs.bathome.net/) |
Powered by Discuz! 7.2 |