如何只提取英文单词并在 bash 脚本中保留 Devanagari 单词？

Question

文本文件是这样的，

#एक
1के
अंकगणित8IU
अधोरेखाunderscore
$thatऔर
%redएकyellow
$चिह्न
अंडरस्कोर@_

所需的文本文件应该是这样的，

#
1
8IU
underscore
$that
%redyellow
$
@_

这是我迄今为止尝试过的方法，使用 awk

awk -F"[अ-ह]*" '{print }' filename.txt 我得到的输出是，

#
1


$that
%red
$

并使用这个 awk -F"[अ-ह]*" '{print ,}' filename.txt 我得到这样的输出，

# 
1 े
 ं
 ो
$that 
%red yellow
$ ि
 ं

有没有办法在 bash 脚本中解决这个问题？

Answer 1

这个sed有效吗？

sed 's/\([0-9a-zA-Z[:punct:]]*\)[^0-9a-zA-Z[:punct:]]*//g' input_file
#
1
8IU
underscore
$that
%redyellow
$
@_

Answer 2

使用 perl：

$ perl -CSD -lpe 's/\p{Devanagari}+//g' input.txt
#
1
8IU
underscore
$that
%redyellow
$
@_

-CSD 告诉 perl 标准流和任何打开的文件都以 UTF-8 编码。 -p 循环输入文件，在执行 -e 给出的脚本后将每一行打印到标准输出。如果要就地修改文件，请添加 -i 选项。

正则表达式匹配分配给 Unicode 标准中梵文脚本的任何代码点并将其删除。使用 \P{Devanagari} 做相反的事情并删除 non-Devanagari 个字符。

Answer 3

使用awk你可以做到：

awk '{sub(/[^\x00-\x7F]+/, "")} 1' file
#
1
8IU
underscore
$that
%redyellow

查看文档：https://www.gnu.org/software/gawk/manual/html_node/Bracket-Expressions.html

using [\x00-\x7F]. This matches all values numerically between zero and 127, which is the defined range of the ASCII character set. Use a complemented character list [^\x00-\x7F] to match any single-byte characters that are not in the ASCII range.

Answer 4

tr 非常适合这项任务：

LC_ALL=C tr -c -d '[:cntrl:][:graph:]' < input.txt

它设置 POSIX C 语言环境，以便只有美国英语字符集有效。

然后指示tr到-d删除-c补充[:cntrl:][:graph:]、控制和绘制的字符类（那些不是控制或可见的）字符。由于它将所有区域设置设置为 C，所有 non-US-English 个字符都被丢弃。

如何只提取英文单词并在 bash 脚本中保留 Devanagari 单词？

How to extract only the English words and leaving the Devanagari words in bash script?

bash

awk

sed

grep