Como faço para extrair fragmentos de texto de um arquivo usando sed?

Question

Estou tentando criar um script BASH para extrair fragmentos de texto de um arquivo que tenha muitas linhas semelhantes a esta:

"11","category/subcategory/sub-subcategory/item-1","index.php?option=com_trombinoscopeextended&Itemid=125&lang=es&view=trombinoscope","251","0","0000-00-00","","","","","","","0"

De cada linha eu só tenho que manter o:

category/subcategory/sub-subcategory/item-1

O contexto pode ser excluído. Eu estava tentando usar sed mas não consigo encontrar uma maneira de fazer isso. Não entendo como criar um comando usando a expressão regular que já tenho:

\w+(\/[\w-]+)+

Eu tenho lido e já tentei este comando e outros similares, mas não sei muito sobre isso:

cat file.txt | sed -i -E "s/\w+(\/[\w-]+)+"

Isso definitivamente não está funcionando e não consigo encontrar um guia para iniciantes sobre como usar sed e expressões regulares.

    

Answer 1

Analisar um arquivo como este é melhor feito com awk :

awk -F, '{ print $2 }' file

ou cut ,

cut -d, -f 2 file

Isso lhe daria "category/subcategory/sub-subcategory/item-1" (incluindo as aspas) dos dados que você forneceu.

Com sed e utilizando a expressão regular que você forneceu (mas com \w substituído por [[:alnum:]] ):

sed -E 's@.*,"([[:alnum:]]+(/[[:alnum:]-]+)+)",.*@@' file

Isso substitui a linha inteira pelo bit que corresponde à expressão regular no primeiro conjunto de parênteses. Isso retorna category/subcategory/sub-subcategory/item-1 para os dados que você forneceu.

Para uma análise de arquivos CSV mais geral, incluindo o tratamento correto de citações e campos que podem conter vírgulas ou aspas duplas, use csvkit :

csvcut -c 2 file

    

Answer 2

Não há nada errado com o seu regex em si, só que você caiu na armadilha para os incautos. Dentro do [] o \ w são dois literais uma barra invertida e um "w" e NÃO um "\ w" como se poderia pensar que fosse ou como em Perl, de onde é emprestado mas não totalmente.

Uma maneira seria definir explicitamente o que está em \ w e, em seguida, continuar:

sed -Ee '
    /\n/{P;D;}
    s|\w+(/[-_A-Za-z0-9]+)+|\n&\n|;D
'