如何用awk输出file1中在file2出现的编程语言及对应信息

你的问题核心是需要匹配file1中的编程语言作为独立单词出现在file2的行中，而不是整行匹配。原来的awk代码只能检查file2的整行是否在file1中，所以无法满足需求。以下是针对你需求的解决方案：

最终awk代码 #

NR == FNR {
    # 从file1中提取所有编程语言（包括带空格的如Visual Basic）
    while (match($0, /([A-Za-z0-9-]+( [A-Za-z0-9-]+)?)/, m)) {
        lang = m[1]
        langs[lang] = length(lang)
        $0 = substr($0, RSTART + RLENGTH)
    }
    next
}
{
    # 按语言长度从长到短遍历，优先匹配长语言（避免Basic匹配Visual Basic的行）
    PROCINFO["sorted_in"] = "@val_num_desc"
    for (lang in langs) {
        # 匹配独立单词，防止语言作为其他词的一部分被误匹配
        if ($0 ~ "\\<" lang "\\>") {
            print FNR "|" lang "|" $0
            break  # 同一行只匹配第一个符合的语言
        }
    }
}

使用方式：将上述代码保存为脚本或直接运行：

awk -f script.awk file1 file2

代码解释 #

1. 处理file1：

   • 用正则表达式([A-Za-z0-9-]+( [A-Za-z0-9-]+)?)提取所有编程语言，包括带空格的（如Visual Basic）和带连字符的（如Objective-C）。
   • 将每个语言存入数组langs，值为语言的长度，用于后续排序。

2. 处理file2：

   • 设置PROCINFO["sorted_in"] = "@val_num_desc"，让循环按语言长度从长到短遍历，这样Visual Basic会比Basic先被匹配，避免短语言误匹配包含长语言的行。
   • 用\\<和\\>匹配独立单词（GNU awk支持的单词边界），确保语言是作为单独的词汇出现，而不是其他词的一部分（比如避免C匹配Java中的C）。
   • 匹配到后输出行号|语言|完整行，并break跳出循环，避免同一行输出多个匹配结果。

为什么原代码不适用？ #

你的原代码awk 'NR == FNR{a[$0];next} ($0 in a)' file1 file2是检查file2的整行是否存在于file1的行中，而你的需求是file2的行包含file1中的某个语言作为子串，两者逻辑完全不同，所以无法得到期望结果。

内容的提问来源于stack exchange，提问作者Ger Cas