使用 awk,如何将一个字符串替换为另一个字符串?

Using awk, how to replace one string with another?

需要创建一个 awk 脚本来将 glyph (https://en.wikipedia.org/wiki/Glyph) 转换为 UnicodeJavaScript 语法),以及相反的 - Unicode到字形。

源数据以 UTF-8 编码存储在 NotePad++ 中。

这是我的进度。

Use_case_1

词典文件 (dict_1_.txt):

A \u0041
À \u00C0

输入文件 (input_1_.txt):

A
À

awk 为等效字形生成 Unicode 的脚本:

awk 'NR == FNR { a[] = ; next }  in a {  = a[] }  in a {  = a[] } 1' dict_1_.txt input_1_.txt

正确生成:

\u0041
\u00C0

Use_case_2

词典文件 (dict_2_.txt)

\u0041 A
\u00C0 À

输入文件 (input_2_.txt)

\u0041
\u00C0

awk 为等效 Unicode 生成字形的脚本:

awk 'NR == FNR { a[] = ; next }  in a {  = a[] }  in a {  = a[] } 1' dict_2.txt input_2.txt

正确生成:

A
À

所以,可以在单个交易品种上成功"round-trip"。

但是字典比较全面,每行多一个词怎么处理?

这是示例数据。

输入文件 (input_3_.txt)

PUDÍN, ALMIDÓN

词典文件 (dict_3_.txt)

,   \u002C
A   \u0041
D   \u0044
I   \u0049
Í   \u00CD
L   \u004C
M   \u004D
N   \u006E
Ó   \u00D3
P   \u0050
U   \u0055
<space> \u0020

awk 脚本应该生成:

\u0050\u0055\u0044\u00CD\u006E\u002C\u002C\u0041\u004C\u004D\u0049\u0044\u00D3\u006E

输入文件 (input_4_.txt)

\u0050\u0055\u0044\u00CD\u006E\u002C\u002C\u0041\u004C\u004D\u0049\u0044\u00D3\u006E

词典文件(dict_4_.txt)

\u002C  ,
\u0041  A
\u0044  D
\u0049  I
\u00CD  Í
\u004C  L
\u004D  M
\u006E  N
\u00D3  Ó
\u0050  P
\u0055  U
\u0020  <space>

awk 脚本应该生成:

PUDÍN, ALMIDÓN

这是一组更复杂的输入字符串(每行一个):

MONO Y DIACETIL ÉSTERES DEL ÁCIDO TARTÁRICO DE MONO Y DIGLICÉRIDOS DE ÁCIDOS GRASOS AÑADIDOS
043 HUEVAS DE PESCADO (INCLUYENDO ESPERMA=HUEVAS BLANDAS) Y VÍSCERAS COMESTIBLES DE PESCADO
ACEITE DE SOJA OXIDADO TÉRMICAMENTE Y EN INTERACCIÓN CON MONO Y DIGLICÉRIDOS DE ÁCIDOS GRASOS
BANDEJA PLÁSTICA O CAZUELA, CUBIERTA DE PAPEL DE ALUMINIO O ENVOLTURA

在上面的词典示例中,使用 <space> 表示单词之间和逗号之后的 'symbol'。这可能意味着解决方案应该在字典文件和输入文件中对 FS 使用 \t。当前 FS 是键盘 'space'。另外 RS\n.

此外,我需要对十六进制执行相同的操作,因此解决方案需要像这样处理字典文件:

Í   &#xcd;
Ó   &#xd3;

与上面的字典示例相比:

Í   \u00CD
Ó   \u00D3

如何改进我的简单 awk 脚本或将其替换为处理多行较长字符串的脚本?

这是一种方法,请注意您不需要两个不同版本的词典。

不费吹灰之力就可以将这两个脚本合并到一个脚本中,并且 from/to 转换可以通过一个参数来控制。我故意让字典部分保持不变

$ awk 'NR==FNR {=?:" "; u2a[]=; a2u[]=; next}
               {for(i=1;i<=NF;i++) $i=a2u[$i]}1' dict FS='' OFS='' input

\u0050\u0055\u0044\u00CD\u006E\u002C\u0020\u0041\u004C\u004D\u0049\u0044\u00D3\u006E

现在使用编码输入

$ awk 'NR==FNR {=?:" "; u2a[]=; a2u[]=; next}
               {enc=[=11=]; gsub(/....../,"& ",enc); n=split(enc,a);
                for(i=1;i<=n;i++) line=line u2a[a[i]]; print line}' dict encoded_input

PUDÍN, ALMIDÓN

使用您的 dict_4 作为两个脚本的字典