获取 bash 中特定字符串之间的字符串列表

Question

给定一个文本文件 (.tex)，其中可能包含“\cite{alice}”、“\cite{bob}”等形式的字符串，我想写一个 bash 脚本，它将每个此类字符串（"alice" 和 "bob"）的括号内的内容存储在一个新的文本文件（例如，.txt）中。在输出文件中，我希望每个这样的内容都有一行，我也想避免重复。

尝试次数：

我考虑过将 grep 和 cut 结合起来。从我在 Stack Exchange 上看到的其他问题和答案来看，我认为（模数阅读更多）我可以设法每行至少获得一个这样的内容，但我不知道如何获得所有出现的内容单行，如果其中有几个这样的字符串，我没有看到任何问题或答案给出这方面的提示。
我也尝试过使用 sed。昨天我读了 this guide 看看我是否遗漏了一些基本的 sed 命令，但我没有看到任何直接的方法来做我想做的事（指南确实提到 sed 是图灵完备的，所以我确信有一个仅使用 sed 来执行此操作的方法，但我不知道如何操作）。

Answer 1

怎么样：

grep -oP '(?<=\cite{)[^}]+(?=})' sample.tex | sort -u > cites.txt

-P 与 GNU grep 将正则表达式解释为与 Perl 兼容的正则表达式（对于 lookbehind 和 lookahead 组）
-o"prints only the matched (non-empty) parts of a matching line, with each such part on a separate output line"（参见manual）
正则表达式 匹配前面有 \cite{ 的无大括号文本（正向后视 组 (?<=\cite{)) 然后是右花括号 (positive lookafter group (?=})).
sort -u 排序并删除重复项

有关先行和后行组的更多详细信息，请参阅 Regular-Expressions.info dedicated page。

Answer 2

您可以使用 grep -o 并对其输出进行后处理：

grep -o '\cite{[^{}]*}' file.tex |
sed 's/\cite{\([^{}]*\)}//'

如果在输入行上只能有一个 \cite，那么 sed 脚本就足够了。

sed -n 's/.*\cite{\([^{}]*\)}.*//p' file.tex

（将其重构为每行提取多次出现的脚本绝非不可能；但祝您在六周后理解您的代码。）

像往常一样，添加 sort -u 以删除所有重复项。

这是一个简短的 Awk 尝试：

awk -v RS='\' '/^cite\{/ {
    split([=12=], g, /[{}]/)
    cite[g[2]]++ }
  END { for (cit in cite) print cit }' file.tex

这很方便，不会打印任何重复项，并且可以轻松处理每行的多个引用。

获取 bash 中特定字符串之间的字符串列表

Get list of strings between certain strings in bash

regex

bash

sed

grep

cut