CentOS下匹配目标前后指定单词的Shell脚本方案求助

需求概述 #

实现匹配指定字符串（示例为chand）前后至少N个单词（N值可调），需兼容ī、ṁ、ā、ṅ、ñ这类Unicode带变音符号的字符，仅使用CentOS默认自带工具（grep、awk等）。

原命令问题分析 #

你当前使用的grep命令存在两个核心问题：

1. 正则中用\D匹配非数字字符，但GNU grep默认对Unicode字符的支持有限，无法正确识别带变音符号的Unicode字母，导致匹配截断。
2. 正则分组(?:\s*\D?\s*)的逻辑错误，没有正确定义“单词”的结构，无法完整捕获包含Unicode字符的单词。

解决方案 #

方案1：使用awk（推荐，兼容性更强） #

CentOS默认的gawk支持多字节Unicode字符，通过拆分单词数组的方式实现精准匹配：

# 配置参数：目标字符串、前后最少单词数
pattern="chand"
min_before=1
min_after=1

awk -v target="$pattern" -v pre="$min_before" -v post="$min_after" '
{
    # 按空白分割行到单词数组，支持Unicode字符
    word_count = split($0, words, /[[:space:]]+/)
    for (i=1; i<=word_count; i++) {
        # 检查当前单词是否包含目标字符串
        if (words[i] ~ target) {
            # 计算输出的起始/结束索引，确保前后单词数达标
            start_idx = (i - pre) > 0 ? (i - pre) : 1
            end_idx = (i + post) <= word_count ? (i + post) : word_count
            
            # 拼接并输出结果
            output = ""
            for (j=start_idx; j<=end_idx; j++) {
                output = output words[j] " "
            }
            # 移除末尾多余空格
            sub(/ $/, "", output)
            print output
        }
    }
}
' 你的输入文件名

方案2：改进grep命令 #

利用GNU grep的Unicode正则特性（\p{L}匹配任意Unicode字母），调整正则规则：

pattern="chand"
min_before=1
min_after=1

grep -oP "(?:\p{L}[[:punct:]\p{L}]*\s+){$min_before,}${pattern}[[:punct:]\p{L}]*(?:\s+\p{L}[[:punct:]\p{L}]*){$min_after,}" 你的输入文件名

• \p{L}：匹配所有Unicode字母（包含带变音符号的字符）
• [[:punct:]\p{L}]*：匹配单词末尾的标点或后续字母，确保完整捕获单词
• {min_before,}：表示至少匹配min_before个前置单词

验证结果 #

针对你提供的示例输入，两个方案均可输出符合预期的结果：

bīṁāṅñhikkhave, chandasampadā …pe… 
īṁāṅñanuppādāya chandaṁ janetīṁāṅñi

内容的提问来源于stack exchange，提问作者user17335990