从a文件判断是否删除b文件中的行(sed示例)

bash&shell系列文章：http://www.cnblogs.com/f-ck-need-u/p/7048359.html

---

test.xml文件很大，内容结构如下：

<?xml version="1.0" encoding="UTF-8" standalone="no"?>

<url>
    <loc>http://www.u1cat.net/index.php?ctl=register</loc>
    <lastmod>2016-10-31</lastmod>
    <changefreq>always</changefreq>
    <priority>aaa</priority>
</url>

<url>
    <loc>http://www.u2bat.cc/index.php?ctl=register</loc>
    <lastmod>2015-11-18</lastmod>
    <changefreq>always</changefreq>
    <priority>bbb</priority>
</url>
<url>
    <loc>http://www.u3bat.cc/index.php?ctl=register</loc>
    <lastmod>2015-11-18</lastmod>
    <changefreq>always</changefreq>
    <priority>ccc</priority>
</url>
<url>
    <loc>http://www.u4bat.cc/index.php?ctl=register</loc>
    <lastmod>2015-11-18</lastmod>
    <changefreq>always</changefreq>
    <priority>ddd</priority>
</url>
<url>
    <loc>http://www.u5bat.cc/index.php?ctl=register</loc>
    <lastmod>2015-11-18</lastmod>
    <changefreq>always</changefreq>
    <priority>ddd</priority>
</url>
......

list.txt文件较小，内容如下：

bbb
xxx
yyy
ccc

需求是，如果<url>...</url>中间包含了list.txt文件中的某一行，则删除这个<url>...</url>。

在这里需要说明下sed的局限性：
(1).sed处理输入流是一次性的，只要某行被sed读取了，就一定不会再读取。因此，读取到某满足匹配要求的行时，无法定位到它前面的某行、某几行。
(2).sed自身没有显式的循环结构，例如while、for、until。但是通过某些功能的结合，可以隐式地实现循环。据我总结，只有标签跳转和"NDP"才能实现这种隐式意义上的循环。
(3).sed和system命令交互的局限性非常大。只有e命令和s命令的e修饰符才能执行system中的命令。
正是这3个局限性，导致sed实现上面的需求非常困难。

以下是一种效率非常高的方法：只读取一次test.xml和list.txt文件，并在每次读取到<url>...</url>的时候判断是否需要删除这一段。

创建sed脚本文件a.sed：

#!/usr/bin/sed -nf

%<url>%!p
1{s/.*/cat list.txt/e;h}

%<url>%{
N;N;N;N;N;G;
%<priority>(.*)</priority>.*1.*%d
}

s%</url>.*%</url>%p

执行sed：

sed -rn -f a.sed test.xml

由于上面示例文件中<priority>bbb</priority>和<priority>ccc</priority>的bbb、ccc存在于list.txt文件中，因此这两个<url>...</url>段落要删除。执行结果为：

<?xml version="1.0" encoding="UTF-8" standalone="no"?>

<url>
    <loc>http://www.u1cat.net/index.php?ctl=register</loc>
    <lastmod>2016-10-31</lastmod>
    <changefreq>always</changefreq>
    <priority>aaa</priority>
</url>

<url>
    <loc>http://www.u4bat.cc/index.php?ctl=register</loc>
    <lastmod>2015-11-18</lastmod>
    <changefreq>always</changefreq>
    <priority>ddd</priority>
</url>
<url>
    <loc>http://www.u5bat.cc/index.php?ctl=register</loc>
    <lastmod>2015-11-18</lastmod>
    <changefreq>always</changefreq>
    <priority>ddd</priority>
</url>

思路大致为：

• (1).一开始就通过sed的e命令将list.txt文件读取到pattern space空间，并保存到hold space。
• (2).每读取到<url>的时候就继续读取后面5行，正好读到</url>。
• (3).读完了后，把hold space中的内容追加回pattern space，并从XXXXX开始判断后面是否还有XXXXX，如果有就直接删除pattern space，否则就将追加回pattern space的list.txt内容删除，最后输出。
• (4).这样的执行方式，只需读取一次test.xml和list.txt文件，效率很高。