Como usar regex com AWK para substituição de string?

Suponha que haja algum texto de um arquivo:

(bookmarks
("Chapter 1 Introduction 1" "#1"
("1.1 Problem Statement and Basic Definitions 23" "#2")
("Exercises 31" "#30")
("Notes and References 42" "#34"))
)

Eu quero adicionar 11 a cada número seguido por um "em cada linha, se houver um, ou seja,

(bookmarks
("Chapter 1 Introduction 12" "#12"
("1.1 Problem Statement and Basic Definitions 34" "#13")
("Exercises 42" "#41")
("Notes and References 53" "#45"))
)

Aqui está minha solução usando o GNU AWK e o regex:

awk -F'#' 'NF>1{gsub(/"(\d+)\""/, "\1+11\"")}'

ou seja, eu quero substituir (\d+)\"por \1+10\", onde \1está o grupo representando (\d+). Mas isso não funciona. Como posso fazer isso funcionar?

Se o gawk não é a melhor solução, o que mais pode ser usado?

Tente isso (é necessário um gawk).

awk '{a=gensub(/.*#([0-9]+)(\").*/,"\\1","g",$0);if(a~/[0-9]+/) {gsub(/[0-9]+\"/,a+11"\"",$0);}print $0}' YourFile

Teste com seu exemplo:

kent$  echo '(bookmarks
("Chapter 1 Introduction 1" "#1"
("1.1 Problem Statement and Basic Definitions 2" "#2")
("Exercises 30" "#30")
("Notes and References 34" "#34"))
)
'|awk '{a=gensub(/.*#([0-9]+)(\").*/,"\\1","g",$0);if(a~/[0-9]+/) {gsub(/[0-9]+\"/,a+11"\"",$0);}print $0}'   
(bookmarks
("Chapter 1 Introduction 12" "#12"
("1.1 Problem Statement and Basic Definitions 13" "#13")
("Exercises 41" "#41")
("Notes and References 45" "#45"))
)

Observe que este comando não funcionará se os dois números (por exemplo, 1 "e" # 1 ") forem diferentes ou se houver mais números na mesma linha com esse padrão (por exemplo, 23" ... 32 "..." # 123 ") em uma linha.

ATUALIZAR

Desde @Tim (OP) disse que o número seguido por " mesma linha poderia ser diferente, fiz algumas alterações na minha solução anterior e a fiz funcionar no seu novo exemplo.

BTW, a partir do exemplo, sinto que poderia ser uma tabela de estrutura de conteúdo, então não vejo como os dois números podem ser diferentes. Primeiro seria o número da página impressa e o segundo com # seria o índice da página. Estou certo?

Enfim, você conhece melhor sua exigência. Agora a nova solução, ainda com gawk (eu quebro o comando em linhas para facilitar a leitura):

awk 'BEGIN{FS=OFS="\" \"#"}{if(NF<2){print;next;}
        a=gensub(/.* ([0-9]+)$/,"\\1","g",$1);
        b=gensub(/([0-9]+)\"/,"\\1","g",$2); 
        gsub(/[0-9]+$/,a+11,$1);
        gsub(/^[0-9]+/,b+11,$2);
        print $1,$2
}' yourFile

teste com seu novo exemplo:

kent$  echo '(bookmarks
("Chapter 1 Introduction 1" "#1"
("1.1 Problem Statement and Basic Definitions 23" "#2")
("Exercises 31" "#30")
("Notes and References 42" "#34"))
)
'|awk 'BEGIN{FS=OFS="\" \"#"}{if(NF<2){print;next;}
        a=gensub(/.* ([0-9]+)$/,"\\1","g",$1);
        b=gensub(/([0-9]+)\"/,"\\1","g",$2); 
        gsub(/[0-9]+$/,a+11,$1);
        gsub(/^[0-9]+/,b+11,$2);
        print $1,$2
}'                        
(bookmarks
("Chapter 1 Introduction 12" "#12"
("1.1 Problem Statement and Basic Definitions 34" "#13")
("Exercises 42" "#41")
("Notes and References 53" "#45"))
)

EDIT2 com base no comentário de @Tim

(1) FS = OFS = "\" \ "#" significa que o separador de campo na entrada e na saída é aspas duplas, espaço, aspas duplas e #? Por que especificar aspas duplas duas vezes?

Você está certo para o separador na parte de entrada e saída. Definiu separador como:

" "#

Existem duas aspas duplas, porque é mais fácil capturar os dois números que você deseja (com base em sua entrada de exemplo).

(2) Em /.* ([0-9] +) $ /, $ significa o final da string?

Exatamente!

(3) No terceiro argumento de gensub (), qual é a diferença entre "g" e "G"? não há diferença entre G e g. Veja isso:

gensub(regexp, replacement, how [, target]) #
    Search the target string target for matches of the regular expression regexp. 
    If "how" is a string beginning with ‘g’ or ‘G’ (short for “global”), then 
        replace all matches of regexp with replacement.

Isto é de http://www.gnu.org/s/gawk/manual/html_node/String-Functions.html . você pode ler para obter um uso detalhado do gensub.

Ao contrário de quase todas as ferramentas que fornecem substituições regexp, o awk não permite referências posteriores, como \1no texto de substituição. O GNU Awk dá acesso a grupos correspondentes se você usar a matchfunção , mas não com ~ou subou gsub.

Observe também que, mesmo se tiver \1sido suportado, seu snippet acrescentará a string +11, não executará um cálculo numérico. Além disso, seu regexp não está certo, você está combinando coisas como essas "42""e não "#42".

Aqui está uma solução awk (aviso, não testado). Ele executa apenas uma única substituição por linha.

awk '
  match($0, /"#[0-9]+"/) {
    n = substr($0, RSTART+2, RLENGTH-3) + 11;
    $0 = substr($0, 1, RSTART+1) n substr($0, RSTART+RLENGTH-1)
  }
  1 {print}'

Seria mais simples no Perl.

perl -pe 's/(?<="#)[0-9]+(?=")/$1+11/e'

awkpode fazê-lo, mas não é direto, mesmo usando backreferencing.
O GNU awk possui um registro posterior (parcial), na forma de gensub .

As instâncias de 123"são temporariamente envolvidas \x01e \x02marcadas como não modificadas (para sub(). Co

Ou você pode simplesmente passar pelo processo de mudança de candidatos à medida que avança; nesse caso, a referência posterior e os "colchetes" não são necessários; mas é necessário acompanhar o índice de caracteres.

awk '{$0=gensub(/([0-9]+)\"/, "\x01\\1\"\x02", "g", $0 )
      while ( match($0, /\x01[0-9]+\"\x02/) ) {
        temp=substr( $0, RSTART, RLENGTH )
        numb=substr( temp, 2, RLENGTH-3 ) + 11
        sub( /\x01[0-9]+\"\x02/, numb "\"" ) 
      } print }'

Aqui está outra maneira, usando gensube array splite \x01como um delimitador de campo (para divisão ). \ X02 marca um elemento do array como candidato à adição aritmética.

awk 'BEGIN{ ORS="" } {
     $0=gensub(/([0-9]+)\"/, "\x01\x02\\1\x01\"", "g", $0 )
     split( $0, a, "\x01" )
     for (i=0; i<length(a); i++) { 
       if( substr(a[i],1,1)=="\x02" ) { a[i]=substr(a[i],2) + 11 }
       print a[i]
     } print "\n" }'

Como as soluções em (g) awk parecem se tornar bastante complexas, eu queria adicionar uma solução alternativa no Perl:

perl -wpe 's/\d+(?=")/$&+11/eg' < in.txt > out.txt

Explicação:

• A opção -wativa avisos (que avisam sobre possíveis efeitos indesejados).
• Option -pimplica um loop em torno do código que funciona de forma semelhante a sed ou awk, salvando cada linha de entrada automaticamente na variável padrão $_,.
• A opção -ediz ao perl que o código do programa está seguindo na linha de comando, não em um arquivo de script.
• O código é uma substituição de regex ( s/.../.../) em $_, onde uma sequência de dígitos, se for seguida por a ", será substituída pela sequência, interpretada como um número na adição, mais 11.
• A afirmação de antecipação positiva de largura zero (?=pattern) procura a "sem levá-la para a partida, portanto não precisamos repeti-la na substituição. A variável MATCH $&na substituição conterá apenas o número.
• O /emodificador para o regex diz perlpara "executar" a substituição como código em vez de tomá-la como uma string.
• O /gmodificador torna a substituição "global", repetindo-a em todas as correspondências da linha.

$&Infelizmente, a variável MATCH prejudicará o desempenho do código nas versões Perl anteriores à 5.20. Uma solução mais rápida (e não muito mais complexa) usaria o agrupamento e a referência anterior $1:

perl -wpe 's/(\d+)?="/$1+11/eg' < in.txt > out.txt

E se a afirmação antecipada parecer muito confusa, você também poderá substituir as aspas explicitamente:

perl -wpe 's/(\d+)"/$1+11 . q{"}/eg' < in.txt > out.txt