Como extrair um campo particular de linhas de um arquivo, baseado em linhas subsequentes correspondentes

Question

Estou tentando replicar um problema no local de trabalho. Eu tenho um arquivo xml como abaixo

[~]$ less -N sample.xml
  1     <SOURCE BUSINESSNAME ="" NAME ="TABLE1" FOO="ABCD"..... >
  2         <SOURCEFIELD BUSINESSNAME ="" NAME ="COL_XYZ" />
  3         <SOURCEFIELD BUSINESSNAME ="" NAME ="COL_ABCD" />
  4         ...
  5                 ...
  6     </SOURCE>
  7     <SOURCE BUSINESSNAME ="" NAME ="TABLE2" ....... >
  8             <SOURCEFIELD BUSINESSNAME ="" NAME ="COL_ABCD" />
  9         <SOURCEFIELD BUSINESSNAME ="" NAME ="COL_XYZABC" />    
 10         ...
 11                 ...
 12     </SOURCE>
 13         <SOURCE BUSINESSNAME ="" NAME ="TABLE3" .... >
 14         <SOURCEFIELD BUSINESSNAME ="" NAME ="COL_PQR" />
 15         <SOURCEFIELD BUSINESSNAME ="" NAME ="COL_ABCD" />
 16         ...
 17                 ...
 18     </SOURCE>

Agora, quero o valor do campo NAME , em que qualquer SOURCEFIELD NAME é igual a XYZ .

Por exemplo, no exemplo fornecido, eu preciso de TABLE1 , pois a linha 2 contém COL_XYZ . E também TABLE2 como na linha 9 , temos COL_XYZABC

Eu estava pensando de alguma forma, para obter a linha 1,2,7,9,13 como saída e, em seguida, o campo grep -B1 XYZ|grep -w SOURCE para obter apenas a linha 1,7 na saída.

Expected Output:
TABLE1
TABLE2

O que eu tentei até agora

• Fazer um grep no SOURCE não está funcionando, pois cada linha tem pelo menos um deles.
• Fazer egrep -w "SOURCE|XYZ" não está funcionando, pois eu preciso que XYZABC não satisfaça sua condição.

Alguém poderia sugerir algo que eu possa tentar obter o resultado desejado? Estou usando Linux 2.6.18-371.el5

    

Answer 1

Você pode fazer isso usando o recurso hold space de sed .

Execute sed com a opção -n para suprimir a impressão automática de linhas de entrada.

Quando a linha contendo <SOURCE for vista, salve o valor do atributo NAME em sed ' hold space .

Quando a linha <SOURCEFIELD contendo XYZ for vista, imprima o conteúdo do hold space .

#!/bin/sh

sed -n '
    /<SOURCE / {              # execute block {} on lines matching "<SOURCE "
        s/.* NAME *="//       # remove everything upto NAME attribute value
        s/".*//               # remove everything after attribute value
        h                     # copy pattern space to the hold space
    }
    /<SOURCEFIELD.*XYZ/ {     # SOURCEFIELD contains XYZ, execute {} block
        g                     # copy hold space to pattern space
        p                     # print
    }
' "$@"

    

Answer 2

sed -netP -eH            -e'# Hold every line and test for s///uccess' \
    -e'\|<[^F]*[ >]|!d'  -e'# if < then F before [ >]: delete'         \
-ex -e'\|_XYZ[^_]*>|!d'  -e'# first exchange buffers; if !XYZ: delete' \
    -e's|[^"]*|\n&\n|4'  -e'# wrap 4th no quotes series in newlines'   \
    -e'D;:P' -eP         -e'# Delete up to first newline, :Print if true'

TABLE1
TABLE2

... e quando adiciono um XYZ ao último campo da terceira lista, TABLE3 imprime também ...

    

Answer 3

Graças a RobertL para este responder .

Eu também criei uma combinação de grep/awk/sed para conseguir o mesmo, mas é mais lento, obviamente. Só queria colocar isso lá fora.

egrep -w ""\<SOURCE"|"SOURCEFIELD.*XYZ.*"" sample.xml|grep -B1 XYZ|grep -w SOURCE|\                                                              
> awk -F" NAME =" '{print $2}'|awk '{print $1}'|sed 's/"//g'