如何在同一sed脚本中读写临时文件？附PDF转码场景问题

1. 同一sed脚本中读写文件的可行性与缓存问题 #

GNU sed 4.7支持在同一脚本里完成文件的写入和读取，但你遇到的读取失败问题，根源是sed的w命令默认采用缓冲写入机制——写入的内容会先暂存到内存缓存，不会立刻同步到磁盘。当你紧接着用r命令读取该文件时，磁盘上的文件还未更新，自然读不到最新内容。

强制同步缓存的两种解决方法 #

• 方法一：使用GNU sed原生flush命令
  你的sed版本4.7满足GNU sed 4.2及以上的要求，可以直接用flush命令强制将缓存内容刷到磁盘：

  /regex to last fix/ { 
      n; p; n; w rtcol.txt
      flush rtcol.txt  # 强制同步缓存到磁盘
      r rtcol.txt
  }
  

• 方法二：调用shell的sync命令
  通过sed的!执行外部shell命令，强制同步目标临时文件：

  /regex to last fix/ { 
      n; p; n; w rtcol.txt
      !sync rtcol.txt  # 调用shell同步文件到磁盘
      r rtcol.txt
  }
  

  若担心sync同步整个文件系统缓存的性能影响，也可以用!dd conv=fdatasync of=rtcol.txt（需确保文件已存在），但注意这种方式需要额外处理命令执行的输出。

2. 更优替代方案：改用awk处理 #

如果你的场景涉及多种复杂的文本修正逻辑，awk会比sed更适配：

• awk的文件操作是实时写入磁盘，不存在缓冲延迟问题；
• 支持自定义变量存储状态（比如左栏、右栏的内容缓冲区），无需依赖外部临时文件；
• 处理多行文本、正则捕获的逻辑更直观，代码可读性和维护性更高。

举个简化的awk思路示例：

# 处理连字符导致的左右栏混排
/hyphen-trigger-pattern/ {
    # 提取左栏内容并输出到stdout
    split_pos = index($0, "-") - 2
    ltcol = substr($0, 1, split_pos)
    print ltcol
    # 提取右栏内容存入缓冲区
    rtcol_buf = rtcol_buf "\n" substr($0, split_pos + 4)
    next
}
# 处理已分离的左栏+右栏行
/ltcol-line-pattern/ {
    print $0  # 直接输出左栏
    getline   # 读取下一行的右栏内容
    rtcol_buf = rtcol_buf "\n" $0
    next
}
# 脚本结束时输出所有缓存的右栏内容
END {
    print rtcol_buf
}

3. 额外优化建议 #

• 优先调整pdftotext参数：尝试添加-layout参数强制保留页面布局，可能从源头减少双栏混排的问题，降低后续修正的复杂度；
• 避免sed过度依赖外部文件：sed的设计核心是流式文本处理，复杂的多状态、文件读写场景会让脚本逻辑变得冗余且难以维护。

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