Linux中用Bash正则表达式筛选CSV：保留2010-2011年排除'all countries'

问题背景 #

处理分号分隔的CSV文件，表头如下：

Unnamed: 0;Unnamed: 0.1;year;country;word;frequency;count;freq_prop_headlines;word_len;freq_rank;hfreq_rank;theme

需求：筛选year列值为2010或2011的行，同时排除country列值为"all countries"的行。

错误分析 #

你之前尝试的正则^([^;]*;){2}(2010|2011);^all countries.*;无效，原因是：

• 错误重复使用行首锚点^，年份后的^强制匹配行开头，逻辑矛盾
• 没有正确表达"country列不等于all countries"的匹配规则

可行解决方案 #

方案一：组合正向+反向匹配（兼容性好） #

用两次grep分别实现筛选年份和排除指定country值，逻辑清晰：

# 先筛选2010/2011年的行，再排除country为all countries的行
grep -E '^([^;]*;){2}(2010|2011);' "$1" | grep -v '^[^;]*;[^;]*;[^;]*;all countries;'

• 第一个grep：匹配前两个分号后是2010或2011的行（对应year列）
• 第二个grep -v：反向匹配前三个分号后是"all countries;"的行（对应country列），排除这类行

方案二：单一正则表达式（需GNU grep支持） #

使用Perl风格正则的负向预查，一次完成匹配：

grep -P '^([^;]*;){2}(2010|2011);(?!all countries;)' "$1"

• (?!all countries;)是负向预查，确保year列之后的内容不是"all countries;"，即country列不等于该值

保留表头的扩展方案 #

如果需要保留CSV表头，可先输出表头再处理数据行：

head -n 1 "$1" && grep -E '^([^;]*;){2}(2010|2011);' "$1" | grep -v '^[^;]*;[^;]*;[^;]*;all countries;'

内容的提问来源于stack exchange，提问作者Uri