如何使用 REGEX 匹配另一个模式之前最后一次出现的模式

Question

我有一个巨大的 XML 文件，我需要提取包含一系列数字的整个标签的内容。在我的文件中所有内容都是一行，我在此处添加了换行符以使其更具可读性

所以这里我有一个简化的例子

文件：

<ORDERS>
<IDOC BEGIN><tag1>aaa</tag1><tag2>bbb</tag2><tag3>12345</tag3><tag4>ccc</tag4></IDOC>
<IDOC BEGIN><tag1>aaa</tag1><tag2>bbb</tag2><tag3>23456</tag3><tag4>ccc</tag4></IDOC>
<IDOC BEGIN><tag1>aaa</tag1><tag2>bbb</tag2><tag3>0007537181</tag3><tag4>ccc</tag4></IDOC>
<IDOC BEGIN><tag1>aaa</tag1><tag2>bbb</tag2><tag3>34567</tag3><tag4>ccc</tag4></IDOC>
</ORDER>

我想匹配包含序列 0007537181 的 IDOC BEGIN 标签。所以它将是

<IDOC BEGIN><tag1>aaa</tag1><tag2>bbb</tag2><tag3>0007537181</tag3><tag4>ccc</tag4></IDOC>

到目前为止我得到了这个正则表达式：

cat myfile | grep -oP '<IDOC BEGIN.*?0007536846.*?</IDOC>'

结果是从第一个同名标签开始到我想要的标签：

<IDOC BEGIN><tag1>aaa</tag1><tag2>bbb</tag2><tag3>12345</tag3><tag4>ccc</tag4></IDOC>
<IDOC BEGIN><tag1>aaa</tag1><tag2>bbb</tag2><tag3>23456</tag3><tag4>ccc</tag4></IDOC>
<IDOC BEGIN><tag1>aaa</tag1><tag2>bbb</tag2><tag3>0007537181</tag3><tag4>ccc</tag4></IDOC>

我设法通过将其发送到第二个正则表达式来解决这个问题，该正则表达式获取最后一次出现的 IDOC BEGIN

cat myfile | grep -oP '<IDOC BEGIN.*?0007536846.*?</IDOC>' | grep -oP '<IDOC BEGIN(?!.*<IDOC BEGIN).*?</IDOC>'

总而言之，我需要获取数字序列之前的最后一个 IDOC BEGIN

请记住，原始文件没有换行符，所有内容都在一行中。

Answer 1

您可以使用的正则表达式是基于放在开头的贪心点模式，然后是 \K match reset operator, or based on a 。当涉及到具有部分匹配（但不匹配）的大字符串时，两者都非常不安全。

所以，两个正则表达式是

.*\K<IDOC BEGIN.*?0007536846.*?</IDOC>
<IDOC BEGIN(?:(?!<IDOC BEGIN).)*?0007536846(?:(?!<IDOC BEGIN).)*?</IDOC>

最好的办法是在这些情况下展开经过调整的贪婪令牌：

<IDOC BEGIN[^<]*(?:<(?!IDOC BEGIN)[^<]*?)*0007537181.*?</IDOC>

见regex demo

第一个.*?替换为[^<]*(?:<(?!IDOC BEGIN)[^<]*?)*:

[^<]* - 否定字符 class 匹配除 < 之外的 0 个或更多字符，尽可能多
(?:<(?!IDOC BEGIN)[^<]*?)* - 0 次或多次重复
- <(?!IDOC BEGIN) - < 字符后没有紧跟着 IDOC BEGIN 字符串
- [^<]*? - 否定字符 class 匹配除 < 之外的 0 个或多个字符，尽可能少

如何使用 REGEX 匹配另一个模式之前最后一次出现的模式

How do I match the last occurrence of Pattern before another Pattern with REGEX

regex

grep

regex-lookarounds

pcregrep