Удаляйте пустые строки и рекурсивно обрезайте/сжимайте пробелы в файлах

У меня есть структура папок, таким образом:

----project\
       ----datafolder1\
               ----file1.txt
               ----file2.txt
       ----datafolder2\
               ----file1.txt
               ----file2.txt
       ----file1.txt
       ----file2.txt

В каждом текстовом файле есть строки, содержащие чисто числовые данные (целые и десятичные дроби), а также другую ненужную информацию. К ним относятся:

  1. пробелы для начала строки между двумя интересующими числовыми значениями перед концом строки, например:

    <blank><blank>43<blank><tab>73.5<blank><end of line>
    

    Я бы хотел, чтобы это было просто:

    43<blank>73.5<end of line>
    
  2. пустые строки.

    Я бы хотел, чтобы эти пустые строки были удалены, чтобы все интересные данные находились на соседних и непрерывных строках.

  3. строки с буквами, например:

    ---next line contains 50 customer data----
    

Я хочу, чтобы они тоже были удалены.

Вместо того, чтобы выполнять эти модификации вручную, я хотел бы автоматизировать это с помощью скрипта, который запускается из папки project\ и рекурсивно посещает datafolder1, а затем datafolder2, работает с текстовыми файлами, а затем создает измененный текстовый файл с указанными выше свойствами, помеченными modfile1.txt, modfile2.txt и так далее.

Рекурсивное посещение подпапок кажется возможным, используя ответ, указанный здесь . Использование grep для поиска только строк, содержащих числа, кажется возможным в соответствии с ответом здесь. Однако это работает только в том случае, если каждая интересующая строка содержит только одно число. В моем случае интересующая строка может содержать несколько целых чисел (положительных или отрицательных) и десятичных дробей, разделенных пробелами. Наконец, собрать все это вместе в сценарий мне не под силу, учитывая мои текущие знания об этих инструментах. Я в порядке, если все это можно сделать в awk или в .sh.

Стоит ли изучать PHP в 2023-2024 годах?
Стоит ли изучать PHP в 2023-2024 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
1
0
343
4
Перейти к ответу Данный вопрос помечен как решенный

Ответы 4

Ответ принят как подходящий

Вы можете использовать awk для удаления пустых строк и строк, содержащих буквы, обрезать начальные и конечные пробелы, а также сжимать пробелы между словами.

# selects *.txt minus mod*.txt
find . -name '*.txt' ! -name 'mod*' -exec awk '
FNR == 1 {
  close(fn)
  fn = FILENAME
  sub(/.*//, "&mod", fn)
}
/[[:alpha:]]/ { next }
NF { $1 = $1; print > fn }' {} +

Как работает $1 = $1, смотрите ответ Эда здесь.

Хотя это можно сделать с помощью awk, как показано в принятом ответе, это также можно сделать с помощью Perl:

find . -name '*.txt' -exec perl -i.bak -nle '
    next unless ( /^[\s\d\.\-]+$/ && /\d/ );  # skip unwanted lines
    s/\s+/ /g;                                # keep only single spaces
    s/^\s+|\s+$//g;                           # trim whitespace at start and end
    print' {} +

Это использует -i.bak для замены на месте, сохраняя исходные файлы с расширением .bak.

Параметр -l добавляет новую строку, потому что мы обрезали все пробельные символы с конца (также удаляя символы \r (CR), если файлы были получены из Windows)

Если важно сохранить исходные имена файлов, вы можете сделать что-то подобное впоследствии

find . -name "*.txt.bak" -print0 \
| while IFS= read -r -d '' f; do
    mv "${f%%.bak}" "${f%%.txt.bak}-new.txt";
    mv "$f" "${f%%.bak}"
  done

Вот аналогичная версия с использованием sed.

find -name \*.txt -print -exec sh -c "sed -r '/(^\s*$|[[:alpha:]])/d ; s/\s+/ /g ; s/(^\s|\s$)//g' '{}' > '{}.mod'" \;

Есть небольшая проблема с именованием новых файлов как modfile.txt. В следующий раз, когда вы запустите его, он обработает modfile.txt и создаст modmodfile.txt. Добавление суффикса .mod предотвратит обработку измененных файлов.

/(^\s*$|[[:alpha:]])/d  # delete blank lines or lines with alpha
s/\s+/ /g               # replace multiple spaces with one space
s/(^\s|\s$)//g          # replace space at the beginning or end of the line with nothing

Регулярное выражение, которое я использую для отбрасывания пустых строк (поэтому целая строка, заполненная пробелами и вкладками, даже вариантами Unicode, в этом случае представляет собой пустую строку) просто выполните

mawk1.3.4 'BEGIN { FS = "^$" } /[[:graph:]]/'

FS = "^$", чтобы он не тратил впустую поля ЦП, которые вам не нужны.

Слово предостережения - вместо этого используйте mawk 1.3.

***пс:

Причина, по которой gnu-awk здесь выбита, заключается в том, что, несмотря на то, что gawk и mawk2 совпадают друг с другом на /[[:graph:]]/, некоторые из моих внутренних тестов поняли, что оба будут выбрасывать кучу корейских хангыль и некоторые смайлики в 4 -байтовое пространство юникода.

только mawk1.3.4 правильно их учитывает.

пс2:

FS = "^$" is faster than FS = RS

Другие вопросы по теме