如何通过正则匹配Markdown标题拆分文件并以捕获组内容命名

直接用awk即可实现你的全部需求，流式处理大文件不会占用过高内存，适配绝大多数系统环境，不需要额外安装依赖。

针对你的示例场景的可直接运行命令 #

awk '
# 匹配块起始正则，捕获日期作为文件名
/^# 2020-[0-9]{2}-[0-9]{2}$/ {
    # 关闭上一个打开的输出文件，避免打开文件过多报错
    if (output_file) close(output_file)
    # 提取捕获组内容拼接为输出文件名，substr($0,3)意为取当前行第3个字符之后的内容，也就是日期部分
    filename = substr($0, 3) ".md"
    output_file = filename
}
# 只要存在有效的输出文件，就将当前行写入
output_file != "" {
    print > output_file
}
' 你的源文件路径.txt

运行后会自动生成2020-01-01.md、2020-01-02.md两个文件，内容完全符合你的预期，同时会自动跳过开头不需要的# Title部分。

通用化调整方法 #

你可以根据自己的需求修改规则，适配不同的拆分场景：

• 调整块起始规则：修改第一行的正则匹配条件/^# 2020-[0-9]{2}-[0-9]{2}$/为你需要的块起始正则即可
• 自定义文件名生成规则：修改filename变量的赋值逻辑，比如要给文件名加前缀可以写成filename = "note_" substr($0,3) ".md"，要修改后缀就把.md换成你需要的格式
• 自定义块结束边界：如果需要提前结束某个块的写入，只要加匹配结束标记的规则即可，例如遇到--- 分隔符 ---就停止写入当前块：

  awk '
  /^--- 分隔符 ---$/ {
      output_file = ""
      next
  }
  /你的块起始正则/ {
      if (output_file) close(output_file)
      # 自行调整文件名生成逻辑
      filename = 你的文件名生成逻辑
      output_file = filename
  }
  output_file != "" { print > output_file }
  ' 源文件路径.txt
  

如果是Linux系统自带的GNU awk，也可以用match的捕获组功能处理更复杂的文件名生成需求：

awk '
match($0, /^# (自定义前缀(2020-.*)自定义后缀)$/, m) {
    if (output_file) close(output_file)
    # m[1]对应第一个捕获组的内容，m[2]对应第二个捕获组，以此类推
    filename = m[2] ".md"
    output_file = filename
}
output_file { print > output_file }
' 源文件.txt

优势说明 #

• 不需要编写复杂的多行匹配正则，awk天然按行流式处理，自动将两个块起始标记之间的所有内容归到前一个块，直到文件结束自动终止
• 直接使用正则捕获组内容生成文件名，不需要拆分后再批量重命名
• 大文件处理性能优异，不会一次性加载整个文件到内存，几十GB的文本文件也可以正常处理

内容的提问来源于stack exchange，提问作者Leeroy