如何用awk/sed实现XML中continent与title信息关联输出

需求 #

将按分类排序的XML文件中，每个分类（continent）与该分类下含title元素的行信息打印在同一行。

输入示例 #

通过grep -E "Kundschaft|continent" filename得到的典型输入：

<landmarks continent="bagne" type="user">
<landmark type="3" x="595.21" y="-10981.47" title="~Ba-Nung Liangi (Kundschafter)"/>
<landmark type="3" x="943.54" y="-10365.21" title="Ba-Nung Liangi (Kundschafterin, Sapsammler)"/>
<landmarks continent="corrupted_moor" type="user"/>
<landmarks continent="fyros" type="user">
<landmark type="3" x="17106.73" y="-25706.46" title="Xymus Tindix (Kundschafter)"/>
<landmark type="3" x="17586.79" y="-25679.67" title="Apolus Abygrian (Kundschafter)"/>
<landmark type="3" x="17018.25" y="-25306.73" title="Ba'Reiliam Breggi (Kundschafter)"/>

期望输出 #

bagne: ~Ba-Nung Liangi (Kundschafter)
bagne: Ba-Nung Liangi (Kundschafterin, Sapsammler)
fyros: Xymus Tindix (Kundschafter)
fyros: Apolus Abygrian (Kundschafter)
fyros: Ba'Reiliam Breggi (Kundschafter)

解决方案 #

方案1：结合grep与awk #

先用grep过滤出目标行，再用awk记住continent值并输出对应内容：

grep -E "Kundschaft|continent" filename | awk '
/continent/ {
    # 提取continent字段的值，剥离引号和后续字符
    split($0, parts, /"| /)
    curr_continent = parts[4]
}
/Kundschaft/ {
    # 提取title字段的值，剥离引号和结尾的/>
    split($0, parts, /"|\/>/)
    curr_title = parts[8]
    print curr_continent ": " curr_title
}
'

方案2：直接用awk处理原文件（更高效） #

无需提前过滤，awk自身即可完成行匹配与字段提取：

awk '
# 匹配continent行，提取分类值
/landmarks continent=/ {
    match($0, /continent="([^"]+)"/, matches)
    curr_continent = matches[1]
}
# 匹配含Kundschaft的title行，提取标题并输出
/Kundschaft/ {
    match($0, /title="([^"]+)"/, matches)
    print curr_continent ": " matches[1]
}
' filename

说明 #

• 两种方案都会先捕获当前的continent值并保存，后续遇到含Kundschaft的行时，直接调用该值拼接输出
• 方案2省去了grep的额外步骤，处理大文件时效率更高

内容的提问来源于stack exchange，提问作者planetmaker