カテゴリ別に上位10個のテキストブロックを識別し、降順で並べ替えて表示する方法

これはgawk（GNU、つまりほとんどの「Linux」システムのバージョン）awkのソリューションです。検索したいカテゴリに設定し、表示したいレコード数に設定したとしますawk。$cat$num

awk -vRS='\n[ 0-9][ 0-9][ 0-9][0-9] ' -vcat="$cat" -vnum="$num" \
    '   BEGIN { first=1; rec_ind=0}
        {       if (first) {
                        rec = $0
                        first=0
                } else {
                        rec = save_seq $0
                }
                findnl = index(rec, "\n")
                if (findnl < 7) exit
                thiscat = substr(rec, findnl-3, 3)
                if (cat == thiscat) records[++rec_ind] = rec
                if (length(RT) == 0) {
                        # print "This should be the last record."
                        save_seq = "Does not matter"
                } else if (length(RT) == 6) {
                        save_seq = substr(RT, 2, 5)
                } else {
                        print "Invalid RT: len =", length(RT)
                        exit
                }
        }
        END   { num_recs = asort(records, sorted_records, "@val_num_desc")
                if (num < num_recs) num_recs = num
                for (i=1; i<=num_recs; i++) {
                        print sorted_records[i]
                }
              }
    '

メモ:

• -vRS='\n[ 0-9][ 0-9][ 0-9][0-9] 'awk の RS (レコード区切り記号) 変数を改行文字、最大 4 桁の整数シーケンス番号、スペースで構成される正規表現に設定します。データ行内に4桁（スペースが続く）があり、レコード区切り文字として解釈されないため、改行が含まれています。この正規表現は 007sumsを受け入れるので、少し混乱します12 4。

  これを awk のレコード区切り文字に設定すると、各「トランザクション」に複数の行が含まれていても、単一の awk レコードとして扱われます。いくつかの欠点があります。

  • RS パターンの先頭に改行文字が含まれているため、先頭の   1 データはレコード区切り文字として認識されません。
  • これは記録だから仕切りスキーマに重要な情報が含まれていても、レコードの一部とは見なされません。

  我々はこれらの問題に対処します。

• -vcat="$cat"同様-vnum="$num"に、awk変数 catとnum値を対応するシェル変数に設定します。
• BEGIN { first=1; rec_ind=0}first最初のレコードを識別し、特別に処理できるようにフラグを true(1) に初期化し、目的のrec_indカテゴリーに一致するレコードが累積されるように、レコード索引 ( ) を 0 に初期化します。

• if (first)true（最初のレコードを処理中）で、recawk recordsと同じに設定されます$0。これには、4桁の数字で始まる次の行までのすべての行が含まれます（含まれていません）。また、最初の行の先頭には4桁の数字が含まれています。次にfirstフラグをfalse（0）に設定します。

  最初のレコードではない場合、4桁がありません（このレコードは仕切りrec）なので、保存されたシリアル番号（）をにsave_seq関連付けてレコード（）を設定します$0。 （save_seqこれについては後で議論します。）

• findnl = index(rec, "\n")レコードで最初の改行文字を見つけます（レコードには複数行が含まれていることを覚えておいてください）。最初から7文字未満の場合、他の項目はもちろん、シリアル番号とカテゴリ（重複せず）を入れる場所がなく、エラーが発生します。それ以外の場合は、thiscat最初の改行文字の前の最後の3文字（つまり、トランザクションの最初の行の最後の3文字）からレコードのカテゴリ（）を抽出します。その後、thiscat探しているカテゴリと一致すると、レコードが配列recordsに保存されます。
• RTRSレコードの終端（現在のレコードの終わりのパターンと一致する文字）。残念ながら、現在のレコードの終わりは実際には次のレコードの始まりです。現在のレコードが最後のレコードの場合、これは空のRT文字列（長さ0）になります。それ以外の場合、長さは常に6文字（改行1文字、スペースまたは4桁、スペース1個）でなければなりません。最後の 5 文字を抽出し (たとえば改行文字を削除)、save_seq次のトランザクションのシーケンス番号なので として保存します。
• データの終わりに達したら、レコードをソートします（値を数値として処理し、降順でソート）。次に、numそのうちの1つを印刷します。