¿Cómo usar sed / grep para extraer texto entre dos palabras?

Estoy tratando de generar una cadena que contiene todo entre dos palabras de una cadena:

entrada:

"Here is a String"

salida:

"is a"

Utilizando:

sed -n '/Here/,/String/p'

incluye los puntos finales, pero no quiero incluirlos.

sed -e 's/Here\(.*\)String/\1/'

GNU grep también puede admitir una mirada hacia adelante y hacia atrás positiva y negativa: para su caso, el comando sería:

echo "Here is a string" | grep -o -P '(?<=Here).*(?=string)'

Si hay múltiples ocurrencias de Herey string, puede elegir si desea hacer coincidir entre el primero Herey el último stringo hacerlas coincidir individualmente. En términos de expresiones regulares, se llama coincidencia codiciosa (primer caso) o coincidencia no codiciosa (segundo caso)

$ echo 'Here is a string, and Here is another string.' | grep -oP '(?<=Here).*(?=string)' # Greedy match
 is a string, and Here is another 
$ echo 'Here is a string, and Here is another string.' | grep -oP '(?<=Here).*?(?=string)' # Non-greedy match (Notice the '?' after '*' in .*)
 is a 
 is another 

La respuesta aceptada no elimina el texto que podría ser anterior Hereo posterior String. Esta voluntad:

sed -e 's/.*Here\(.*\)String.*/\1/'

La principal diferencia es la adición de .*inmediatamente antes Herey después String.

Puedes quitar cadenas solo en Bash :

$ foo="Here is a String"
$ foo=${foo##*Here }
$ echo "$foo"
is a String
$ foo=${foo%% String*}
$ echo "$foo"
is a
$

Y si tiene un GNU grep que incluye PCRE , puede usar una aserción de ancho cero:

$ echo "Here is a String" | grep -Po '(?<=(Here )).*(?= String)'
is a

A través de GNU awk,

$ echo "Here is a string" | awk -v FS="(Here|string)" '{print $2}'
 is a 

El parámetro grep with -P( perl-regexp ) admite \K, lo que ayuda a descartar los caracteres coincidentes previamente. En nuestro caso, la cadena previamente emparejada fue Heredescartada del resultado final.

$ echo "Here is a string" | grep -oP 'Here\K.*(?=string)'
 is a 
$ echo "Here is a string" | grep -oP 'Here\K(?:(?!string).)*'
 is a 

Si quieres que la salida sea, is aentonces puedes probar lo siguiente,

$ echo "Here is a string" | grep -oP 'Here\s*\K.*(?=\s+string)'
is a
$ echo "Here is a string" | grep -oP 'Here\s*\K(?:(?!\s+string).)*'
is a

Si tiene un archivo largo con muchas ocurrencias de varias líneas, es útil imprimir primero las líneas numéricas:

cat -n file | sed -n '/Here/,/String/p'

Esto podría funcionar para usted (GNU sed):

sed '/Here/!d;s//&\n/;s/.*\n//;:a;/String/bb;$!{n;ba};:b;s//\n&/;P;D' file 

Esto presenta cada representación de texto entre dos marcadores (en este caso Herey String) en una nueva línea y conserva nuevas líneas dentro del texto.

Todas las soluciones anteriores tienen deficiencias donde la última cadena de búsqueda se repite en otra parte de la cadena. Me pareció mejor escribir una función bash.

    function str_str {
      local str
      str="${1#*${2}}"
      str="${str%%$3*}"
      echo -n "$str"
    }

    # test it ...
    mystr="this is a string"
    str_str "$mystr" "this " " string"

Puedes usar dos comandos s

$ echo "Here is a String" | sed 's/.*Here//; s/String.*//'
 is a 

Tambien funciona

$ echo "Here is a StringHere is a String" | sed 's/.*Here//; s/String.*//'
 is a

$ echo "Here is a StringHere is a StringHere is a StringHere is a String" | sed 's/.*Here//; s/String.*//'
 is a 

Para entender el sedcomando, tenemos que construirlo paso a paso.

Aquí está tu texto original

user@linux:~$ echo "Here is a String"
Here is a String
user@linux:~$ 

Intentemos eliminar Here cadena con la sopción de ubicación ensed

user@linux:~$ echo "Here is a String" | sed 's/Here //'
is a String
user@linux:~$ 

En este punto, creo que sería capaz de eliminar String, así

user@linux:~$ echo "Here is a String" | sed 's/String//'
Here is a
user@linux:~$ 

Pero esta no es su salida deseada.

Para combinar dos comandos sed, use -e opción

user@linux:~$ echo "Here is a String" | sed -e 's/Here //' -e 's/String//'
is a
user@linux:~$ 

Espero que esto ayude

Puede usar \1(consulte http://www.grymoire.com/Unix/Sed.html#uh-4 ):

echo "Hello is a String" | sed 's/Hello\(.*\)String/\1/g'

El contenido que está dentro de los corchetes se almacenará como \1.

Problema. Mis mensajes de Claws Mail almacenados se envuelven de la siguiente manera, y estoy tratando de extraer las líneas de Asunto:

Subject: [SLC38A9 lysosomal arginine sensor; mTORC1 pathway] Key molecular
 link in major cell growth pathway: Findings point to new potential
 therapeutic target in pancreatic cancer [mTORC1 Activator SLC38A9 Is
 Required to Efflux Essential Amino Acids from Lysosomes and Use Protein as
 a Nutrient] [Re: Nutrient sensor in key growth-regulating metabolic pathway
 identified [Lysosomal amino acid transporter SLC38A9 signals arginine
 sufficiency to mTORC1]]
Message-ID: <20171019190902.18741771@VictoriasJourney.com>

Según A2 en este hilo, ¿Cómo usar sed / grep para extraer texto entre dos palabras? la primera expresión, a continuación, "funciona" siempre que el texto coincidente no contenga una nueva línea:

grep -o -P '(?<=Subject: ).*(?=molecular)' corpus/01

[SLC38A9 lysosomal arginine sensor; mTORC1 pathway] Key

Sin embargo, a pesar de probar numerosas variantes ( .+?; /s; ...), no pude hacer que funcionen:

grep -o -P '(?<=Subject: ).*(?=link)' corpus/01
grep -o -P '(?<=Subject: ).*(?=therapeutic)' corpus/01
etc.

Solución 1

Por Extraer texto entre dos cadenas en diferentes líneas

sed -n '/Subject: /{:a;N;/Message-ID:/!ba; s/\n/ /g; s/\s\s*/ /g; s/.*Subject: \|Message-ID:.*//g;p}' corpus/01

lo que da

[SLC38A9 lysosomal arginine sensor; mTORC1 pathway] Key molecular link in major cell growth pathway: Findings point to new potential therapeutic target in pancreatic cancer [mTORC1 Activator SLC38A9 Is Required to Efflux Essential Amino Acids from Lysosomes and Use Protein as a Nutrient] [Re: Nutrient sensor in key growth-regulating metabolic pathway identified [Lysosomal amino acid transporter SLC38A9 signals arginine sufficiency to mTORC1]]                              

Solución 2. *

Per ¿Cómo puedo reemplazar una nueva línea (\ n) usando sed?

sed ':a;N;$!ba;s/\n/ /g' corpus/01

reemplazará las nuevas líneas con un espacio.

Encadenando eso con A2 en ¿Cómo usar sed / grep para extraer texto entre dos palabras? , obtenemos:

sed ':a;N;$!ba;s/\n/ /g' corpus/01 | grep -o -P '(?<=Subject: ).*(?=Message-ID:)'

lo que da

[SLC38A9 lysosomal arginine sensor; mTORC1 pathway] Key molecular  link in major cell growth pathway: Findings point to new potential  therapeutic target in pancreatic cancer [mTORC1 Activator SLC38A9 Is  Required to Efflux Essential Amino Acids from Lysosomes and Use Protein as  a Nutrient] [Re: Nutrient sensor in key growth-regulating metabolic pathway  identified [Lysosomal amino acid transporter SLC38A9 signals arginine  sufficiency to mTORC1]] 

Esta variante elimina los espacios dobles:

sed ':a;N;$!ba;s/\n/ /g; s/\s\s*/ /g' corpus/01 | grep -o -P '(?<=Subject: ).*(?=Message-ID:)'

dando

[SLC38A9 lysosomal arginine sensor; mTORC1 pathway] Key molecular link in major cell growth pathway: Findings point to new potential therapeutic target in pancreatic cancer [mTORC1 Activator SLC38A9 Is Required to Efflux Essential Amino Acids from Lysosomes and Use Protein as a Nutrient] [Re: Nutrient sensor in key growth-regulating metabolic pathway identified [Lysosomal amino acid transporter SLC38A9 signals arginine sufficiency to mTORC1]]