正则表达式和内联XML

Question

我有一个内联XML文件（XML标记+文本）。我想在一个特定的标签前抓取4个单词。例如：

案例1:

I used to live in <Location>London</Location>.

案例2:

I work for <Organization> Microsoft Tech.</Organization>
which is in <Location>London</Location>

在这两种情况下，我都想在位置标签之前抓取4个单词。

输出：

案例1:

used to live in

案例2:

</Organizattion> which is in

这可能吗？？有人能帮我吗？

Answer 1

好吧，最简单的是：

((?:S+s+){4}s*)<Location>

请注意，在第二种情况下，这不会产生所需的结果，因为它假设非空格由空格分隔，因此会产生Tech.</Organization> which is in。

Answer 2

虽然这很疯狂，我不建议使用它，但您可以使用awk:执行类似操作

awk '/<Location>/ {n=gensub("(.*)<Location>.*","\1","g",$0); print gensub(".*[ .]([^ .]+ [^ .]+ [^ .]+ [^ .]+) *$","\1","g",n)} ' INPUTFILE

您可能需要修改[^ .]部分，以正确地决定什么是单词的一部分。

1. 这在与<Location>的线路上运行
2. 保存部分线路直到<Location>
3. 打印它找到的四个字。（注意如果没有匹配项，它将打印以前保存的行部分。）

Answer 3

您需要的正则表达式必须是基于正向lookhead的。对于您的2个案例，以下作品：

/(?:[<>/w]+s*){4}(?=<Location>)/s

如果您需要使用上面的regex进行演示，请告诉我。