Keskustelu: Yleinen keskustelu: Tekstin poisto kohtien a ja b välistä

Moi,

Jos mulla on 75 000 rivinen tiedosto, jossa on lähes joka rivillä teksti "<xx>36/453/3450</xx>" ja noiden tagien välissä oleva teksti ei pysy samana, niin miten saisin - ei pelkästään tagien välissä olevan tekstin, vaan myös itse tagit - pois?

Googlella löysin jonkun softan, joka pyysi maksua kun oli tehnyt puoleen väliin. Kai sitä vois sitten ajaa sen tiedoston kahdessa osassa, mutta onko tuolle joku helpompi tapa..?

Linuxissa tais olla jokin sed-komento? Mulla on W7 käytössä..

Onko jossain tekstieditorissa mahdollisuus tehdä noin? Vai alanko koodaamaan VB:llä jotain systeemiä?

No tuohan on triviaali koodata melkein millä tahansa kielellä. Erityisen helppo korvaus on säännöllisillä lausekkeilla, esimerkiksi PHP:ssä preg_replace-funktiolla.

<?php
$s = file_get_contents("tiedosto.txt");
$s = preg_replace("#<xx>.*?</xx>#", "", $s);
file_put_contents("tiedosto2.txt", $s);

Myös erittäin monet tekstieditorit tukevat säännöllisiä lausekkeita.

Notepad++ taitaa olla hyvä editori Windows-ympäristöön, tuohonkin tarkoitukseen.

Tässä huvikseen vielä Pythonilla sama korvaus, puskuroidulla lukemisella, joten isokaan tiedosto ei haittaa:

from re import sub

with open('alkup.txt') as alkup:
    with open('tulos.txt', 'w') as tulos:
        for rivi in alkup:
            tulos.write(sub(r'<xx>.*?</xx>', '', rivi))

Muistatko yhdenkään tuollaisen tekstieditorin nimeä? En osaa googlettaa kun en tiedä mikä tuo on englanniksi.

Tuo php koodi heittää: "Fatal error: Allowed memory size of 16777216 bytes exhausted (tried to allocate 12204783 bytes) in /preg.php on line 3"

EDIT:
Chiman: kiitos! Mulla on notepad++ mutta pitäis kai tutustua manuaaliin..
EDIT:
Sain tehtyä tuon textpadin makrolla. Laitoin sen vaan hakemaan tekstin "<xx>" ja painamaan nuolta vasemmalle ja sen jälkeen shift+end ja delete. Kun nuo oli sopivasti aina "lauseen" lopussa.

Tuossa se pyörii...

Google-haku notepad++ regexp replace tuotti tämän:
http://breakintheweb.wordpress.com/2009/07/13/notepad-and-regex/

Eli valitse tuolta Regular expression, Find what: <xx>.*?</xx> ja jätä Replace with -kohta tyhjäksi. Klikkaa sitten Replace All.

JussiR kirjoitti:

En osaa googlettaa kun en tiedä mikä tuo on englanniksi.

Regular expressions. Tämänkin olisit Googlella saanut selville, koska suomenkielisellä sanalla päätyy mm. Wikipediaan.

Mainitsemasi sed löytyy Windowsillekin. Korvaus onnistuu esimerkiksi näin:

sed "s/<xx>[^<]*<\/xx>//g" sisaan.txt > ulos.txt

Kiitos! Tämä homma on nyt selvä.