sedで「(～)」を使って文字列の一部を取り出し

質問

sedで「(～)」を使って、文字列の一部を取り出したいのですが期待した結果になりません。

以下のようなファイルがあります。
そこから、最初に見つかった「A-Z0-9」を含む文字列を取り出したいのですが、
どうしても、２番目にでてくる「0-9」でなる文字列が取り出されます。
環境は、Solaris/Linuxになります。

■ファイル
cat aaa
"aaa","bbb","ccc","123456","ddd","eee","fff,"0000","ggg"
"aaa","bbb","ccc","AAA123","ddd","eee","fff,"0000","ggg"

■sed
sed 's/.*,"\([A-Z0-9].*[0-9]\)",.*$/\1/g' aaa

■結果
0000
0000

期待する結果は、
123456
AAA123
なのですが、
期待した結果を取り出すにはどうしたらよいのでしょうか。

回答No.4

trapezium · ベストアンサー

No.3 さんに賛成なんだけど、最新の Solaris ではどうか知らないけど ; (マルチステートメント) 使えないので、

sed -e 's/"\([A-Z0-9][A-Z0-9]*\)".*$/\1/' -e 's/^.*,//' aaa

みたいにするか、ファイルにスクリプトとして1行づつ書いて -f scriptfile 指定するとかしないといけない気がします。GNU sed 使える環境なら然にあらず。

あと良く使ったのが文中に出てこない文字でマーク付けておいてから、後でいらない部分を消去する方法。

sed -n -e 's/"\([A-Z0-9]*[0-9]\)"/:\1:/1' -e 's/^[^:]*://' -e 's/:.*$//p' aaa

/1 の部分を /2 とかすると2番目にマッチした部分を対象に。
: は良く改行コード \n 使ったりするんだけど、sed によってはエスケープ使えずコード自体書かないといけなかったりする。多分 Solaris の sed も

お礼

ありがとうございます。
いろいろと方法を記載してありがとうございます。
１回ですましてしまおうとして、２回実行することには気がつきませんでした。
参考になります。

回答No.5

asciiz

＞しかし、呪文のようですね。

行頭を表す「^」と[ ]内部の否定を表す^、カンマ区切りとカンマ以外を示すための「,」が入り組んでいるのでパッと見訳わかりませんね(笑

私は、添付図のように考えました。
マッチした4番目の文字列で、行全体を置き換えるので、第4項目を取り出せます。

この正規表現では「データにカンマが含まれないものに限る」という条件が付くのも理解できるかと…。

お礼

ありがとうございます。
詳細な説明を解説図付きでありがとうございます。
勉強になります。

回答No.3

M_Sato

以下のように、最初に後ろを切って、次にカンマから前を切ったらどうでしょう。これなら求めるデータがどの位置にあっても適応できると思います。
s/"\([A-Z0-9][A-Z0-9]*\)".*$/\1/;s/^.*,//

お礼

ありがとうございます。
たしかに、取り出したい文字列以降を捨ててしまえばできます

補足

>たしかに、取り出したい文字列以降を捨ててしまえばできます
マルチステートメント？
で、最初に後ろを切ってしまうということだったですね。
内容をよく確認せずまちがった返事でした。
マルチステートメント使えませんです。

回答No.2

Wap58

sed -r 's/.+?,"([A-Z0-9]+)",.+$/\1/' aaa

手元に実行環境ないけど
これでいけんじゃないの？

お礼

ありがとうございます。
確認させてただきます。

補足

Linuxでためしてみましたが、できませんでした。
２番目が出力されます。

回答No.1

asciiz

「.*」は、任意の文字、0文字でも何文字にでもマッチしてしまうので、安易に使ってはいけません。
特にマッチ文字列中でいくつも使うと、最初のものから最長になるようにマッチします。
今回の例では、最初の「.*,」の部分が「"aaa","bbb","ccc","123456","ddd","eee","fff",」にまでマッチするから、"0000"が取り出されてしまうというわけです。

さてそこで、任意文字にマッチしてしまう「.」ではなく、「カンマ以外」を示す「[^,]」を使ってみましょう。

sed 's/^[^,]*,[^,]*,[^,]*,"\([^,]*\)",.*/\1/g' aaa

これで、カンマ区切りの「第4項目」を取り出せるんじゃないでしょうか。

まあ、文字列にカンマが含まれる場合はこれでも困りますけどね…。
sedはダブルクォーテーションの対応なんか気にしないので、項目区切りのカンマだろうが文字列中のカンマだろうが同一視してしまいます…。

お礼

ありがとうございます。
期待した結果となりました。
しかし、呪文のようですね。