पर आधारित लिनक्स में एक फ़ाइल को विभाजित करना मेरे पास लगभग 400 एमबी का ईमेल डंप है। मैं इसे .txt फ़ाइलों में विभाजित करना चाहता हूं, जिसमें प्रत्येक फ़ाइल में एक मेल शामिल है। प्रत्येक ई-मेल मानक HTML शीर्षलेख के साथ शुरू होता है जो डॉक्ट टाइप निर्दिष्ट करता है।सामग्री
इसका मतलब है कि मुझे उपर्युक्त शीर्षलेख के आधार पर अपनी फ़ाइलों को विभाजित करना होगा। मैं लिनक्स में इसके बारे में कैसे जा सकता हूं?
आप एक mail.txt
$ cat mail.txt
<html>
mail A
</html>
<html>
mail B
</html>
<html>
mail C
</html>
रन csplit<html>
$ csplit mail.txt '/^<html>$/' '{*}'
- mail.txt => input file
- /^<html>$/ => pattern match every `<html>` line
- {*} => repeat the previous pattern as many times as possible
जांच उत्पादन
द्वारा विभाजित करने के लिए है, तो$ ls
mail.txt xx00 xx01 xx02 xx03
आप awk
$ awk '/<html>/{filename=NR".txt"}; {print >filename}' mail.txt
$ ls
1.txt 5.txt 9.txt mail.txt
Am डर! मैं भी ऐसा ही किया और xx00 और स्पष्ट रूप से मेल एक $ ls mail.txt किया .txt xx00 0 जैसा ही थाकोई फिक्स? – Greenhorn
@ रामप्रकाश मेरा 'csplit' का ver' 8.5' है। हो सकता है कि आपके पास '{*}' नहीं है जो पैटर्न दोहराना है। कृपया मैनपेज की जांच करें। मैं बस 'awk' समाधान जोड़ें। आप इसे आज़मा सकते हैं। – kev
Awk काम किया :) बहुत बहुत धन्यवाद! – Greenhorn
यह कुछ perl "जादू" के साथ करने योग्य है ... कई लोग इस बदसूरत को बुलाएंगे लेकिन यहां जाता है।
चाल आप क्या चाहते हैं के साथ $/ की जगह और अपने इनपुट पढ़ते हैं, इस तरह के रूप के लिए है:
#!/usr/bin/perl -W
use strict;
my $i = 1;
$/ = <<EOF;
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN"><html><head> <xmeta content="text/html;charset=ISO-8859-1" http-equiv="Content-Type">
EOF
open INPUT, "/path/to/inputfile" or die;
while (my $mail = <INPUT>) {
$mail = substr($mail, 0, index($mail, $/));
open OUTPUT, ">/path/to/emailfile." . $i . ".txt" or die;
$i++;
print OUTPUT $mail;
close OUTPUT;
}
संपादित करें: तय, मैं हमेशा भूल जाते हैं कि $/ इनपुट में शामिल है। साथ ही, पहली फ़ाइल हमेशा खाली होगी, लेकिन फिर इसे आसानी से संभाला जा सकता है।
मैं fge से सहमत हूं। perl के साथ यह बहुत आसान होगा। आप कुछ इस तरह की कोशिश कर सकते हैं -
#!/usr/bin/perl
undef $/;
$_ = <>;
$n = 0;
for $match (split(/(?=HEADER_FORMAT)/)) {
open(O, '>mail' . ++$n);
print O $match;
close(O);
}
अपने हैडर प्रकार के साथ HEADER_FORMAT बदलें।
हाँ, एक सकारात्मक लुकहेड अच्छी तरह से काम करेगा, खासकर जब से हेडर में कोई मेटाएक्टेक्टर नहीं होता है। आप 'qr // ' विभाजन regex बनाने के लिए। – fge
csplit कार्यक्रम सुंदर ढंग से अपनी समस्या का हल:
csplit '/<!DOCTYPE.*/' $FILE
तर्क गलत क्रम में हैं और के रूप में इरादा पुनरावृत्ति वास्तव में क्या करने के लिए याद आ रही है। – qwertzguy
csplit में ऐसा चाहते हैं इस समस्या का सबसे अच्छा समाधान है। बस सोचा कि मैं यह दिखाने के लिए एक बैश-समाधान पोस्ट करूंगा कि इस कार्य पर पर्ल जाने की कोई आवश्यकता नहीं है:
#!/usr/bin/bash
MAIL='mail' # path to huge mail-file
#get linenumbers for all headers
line_no=$(grep -n html $MAIL | cut -d: -f1)
read -a LINES<<< $line_no
file=0
for i in $(seq 0 2 ${#LINES[@]}); do
start=${LINES[i]}
end=$((${LINES[i+1]}-1))
echo $start, $end
sed -n "${start},${end}p" $MAIL > ${MAIL}${file}.txt
file=$((file+1))
done
क्या वाकई यह एक ईमेल डंप है? तुम्हारा मतलब है कि आपके पास कोई मेल हेडर नहीं है? और आप "मानक HTML शीर्षलेख को निर्दिष्ट करते हुए" क्या कहते हैं? – fge
"