如何使用awk提取txt文件每个段落中以-分隔的编程语言名称

解决方案 #

你遇到的问题核心有两点：

1. 按行处理时，折行的条目会被拆成多条处理，产生多余输出
2. 早期段落模式的用法只取第一个字段，没有匹配正确的名称分隔规则

正确实现代码

直接运行以下gawk命令即可：

gawk '
BEGIN {
    RS = ""          # 启用段落模式，以空行作为不同条目的分隔符
}
{
    # 匹配当前条目开头到第一个 " - " 之间的内容作为语言名称
    if (match($0, /^(.+?) +- /, res)) {
        # 去除名称首尾的空白字符后输出
        gsub(/^\s+|\s+$/, "", res[1])
        print res[1]
    }
}
' language.TXT

如果需要单行版本：

gawk -v RS='' 'match($0, /^(.+?) +- /, r) {gsub(/^\s+|\s+$/, "", r[1]); print r[1]}' language.TXT

效果说明

针对你给出的示例输入，上述命令会直接输出：

P+
P4
PABC

完全符合提取语言名称的需求，哪怕语言名称包含多个空格分隔的单词，只要名称后跟着-的分隔规则，都可以正确提取。

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