Trích xuất các bản ghi chiều rộng cố định không có dấu phân cách từ một dòng

Tôi cần trích xuất các chuỗi văn bản từ một tệp duy nhất chứa một dòng văn bản rất dài không có dấu phân cách. Sử dụng dòng mẫu dưới đây, đây là những sự thật được biết đến sau đây:

??????? A1XXXXXXXXXX ??????? B1XXXX ??????? A1XXXXXXXXXX ????????

1.  It contains 38 fixed width record types 
2.  The record marker is a 7 alphanumeric character followed by, for example, ‘A1’.
3.  Each record type has varying widths, for example, A1 record type will have 10 characters following it, if B1 then 4, and if C1 then 7.
4.  The record types aren’t clumped together and can be in any order. As in the example, its A1,B1,A1,C1
5.  The example above has 4 records and each record type needs to go to separate files. In this case 38 of them.

??????? A1XXXXXXXXXX

??????? B1XXXX

??????? A1XXXXXXXXXX

??????? C1XXXXXXXX

6.  The record identifier, e.g. ????????A1, can appear in the body of the record so cannot use grep. 
7.  With the last point in mind, I was proposing 3 solutions but not sure on how to script this and of course would greatly appreciate some help. 
a. Traverse through the file from the beginning and sequentially strip out the record to the appropriate output file. For example, strip out first record type A1 to A1file which I know is 10 characters long then re-interrogate the file which will then have B1 which I know is 4 chars long, strip this out to B1file etc.. <<< this seems painful >>
b. Traverse through the file and append some obscure character to each record marker within the same file. Much like above but not strip out. I understand it still will use the same logic but seems more elegant
c. I did think of simply using the proposed grep -oE solution but then re-interrogate the output files to see if any of the 38 record markers exist anywhere other than at the beginning. But this might not always work.

Làm thế nào về grep

grep -oE 'A1.{10}|B1.{4}|C1.{7}' input.txt

Điều này in từng bản ghi của từng loại bản ghi trên một dòng riêng biệt. Để chuyển hướng grepđầu ra cho 3 tập tin có tên A1, B1, C1tương ứng,

grep -oE 'A1.{10}|B1.{4}|C1.{7}' input.txt| 
awk -v OFS= -v FS= '{f=$1$2; $1=$2=""; print>f}'

Đây là một giải pháp rõ ràng bằng cách sử dụng FPAT của gawk

BEGIN { 
    FPAT="A1.{10}|B1.{4}|C1.{7}" #define field contents
} 
{
    for(i=1;i<=NF;i++) 
        print $i >> substr($i,0,2) #print the field to file A1,B1,etc
}

Như một lớp lót:

gawk 'BEGIN{FPAT="A1.{10}|B1.{4}|C1.{7}"} {for(i=1;i<=NF;i++)print $i >> substr($i,0,2)}' < datafile

Trong Perl:

#!/usr/bin/env perl

use strict;
use warnings;
use re qw(eval);

my %field_widths = (
    A1 => 10,
    B1 =>  4,
    C1 =>  7,
    #...(fill this up with the widths of your 38 record types)
);

# Make a regex of record types; sort with longest first as appropriate for
# ... regex alternation:
my $record_type_regex = join '|', sort { length($b) <=> length($a) } keys %field_widths; 

my %records;
my $marker_length=7; #Assuming the marker is 7 characters long
while(<>){
    chomp;
    while( # Parse each line of input
      m!
        (.{$marker_length})          # Match the record marker (save in $1)
        ($record_type_regex)         # Match any record type (save in $2)
        (
         (??{'.'x$field_widths{$2})} # Match a field of correct width
        )                            # Save in $3
       !xg){
        $records{$2}.="$1$2$3\n";
      }
}
for my $file (sort keys %records){
    open my $OUT,'>',$file or die "Failed to open $file for writing: $!\n";
    print $OUT $records{$file};
    close $OUT
}

Gọi nó là:

[user@host]$ ./myscript.pl file_of_data

Mã được kiểm tra và hoạt động với đầu vào nhất định của bạn.

Cập nhật

Trong các bình luận của bạn, bạn đã yêu cầu một "tương đương Unix" ở trên. Tôi rất nghi ngờ có tồn tại một điều như vậy, vì biểu thức Perl được sử dụng để phân tích dòng của bạn là một biểu thức rất bất thường và tôi nghi ngờ rằng các biểu thức chính quy vanilla có thể phân tích định dạng dữ liệu đã cho của bạn: nó quá giống với một loại biểu thức nổi tiếng mà regex có thể phân tích cú pháp (khớp với bất kỳ số lượng nào ađược theo sau bởi cùng số lượng b).

Trong mọi trường hợp, cách tiếp cận "Unix" gần nhất tôi có thể tìm thấy là khái quát hóa câu trả lời của 1_CR . Bạn nên lưu ý rằng phương pháp này dành riêng cho việc triển khai GNU grepvà do đó sẽ không hoạt động trên hầu hết các Thông báo. Ngược lại, cách tiếp cận Perl sẽ hoạt động giống nhau trên mọi nền tảng mà Perl hoạt động. Đây là grepcách tiếp cận GNU được đề xuất của tôi :

cat <<EOF \
| while read -r record width;do
    grep -oE ".{7}$record.{$width}" input_file\ #replace 7 with marker length
     >> "$record"
done
A1 10
B1 4
# enter your 38 record types
EOF

Cập nhật

Dựa trên các yêu cầu của OP trong các bình luận, thay vì chuyển tên tệp dưới dạng đối số dòng lệnh, nó có thể được mở trong tập lệnh như sau:

open my $IN,'<',$input_file_name or die "Failed to open $input_file: $!\n";
while(<$IN>){ #instead of while(<>)
...

Điều này giả sử bạn đã khai báo biến $input_file_namechứa, tên tệp đầu vào.

Đối với việc gắn dấu thời gian vào tên tệp đầu ra, bạn có thể sử dụng qx{}cú pháp: giữa các dấu ngoặc, bạn có thể đặt bất kỳ lệnh Unix nào bạn muốn và nó sẽ được chạy và đầu ra tiêu chuẩn của nó được đọc lại thay cho qx{}toán tử:

open my $OUT,'>',"$file_".qx{date +%Y-%m-%d--%I:%M:%S%P}

Các qxnhà điều hành không bị hạn chế để niềng răng, sử dụng nhân vật yêu thích của bạn như delimiter, chỉ cần đảm bảo nó không có trong lệnh mà bạn cần phải chạy:

qx<...>
qx(...)    
qx!...!    
qx@...@

và như thế...

Trong một số mã Perl, bạn có thể thấy backticks ( ` `) được sử dụng để phục vụ chức năng này thay vào đó, tương tự như trình bao. Chỉ cần nghĩ về qxtoán tử là sự khái quát hóa của backticks cho bất kỳ dấu phân cách nào.

Nhân tiện, điều này sẽ đưa ra dấu thời gian hơi khác nhau cho mỗi tệp (nếu sự khác biệt về thời gian tạo của chúng xảy ra là một số giây hữu hạn). Nếu bạn không muốn điều này, bạn có thể thực hiện theo hai bước:

my $tstamp = qx{...};
open my $OUT,'>',"$file_$tstamp" or die...;