He creado una expresión regular para encontrar y contar cadenas específicas en archivos de texto de gran tamaño. La cuestión es que quiero que sólo devuelva aquellos resultados en los que una combinación de dos de los campos NO está repetida. No soy experto en regex, pero tras varios intentos, he encontrado una expresión que funciona:
("\d{4,7}",).{0,100},(("Critical")|("High")|("Medium")|("Low")),("\d+\.\d+\.\d+\.\d+")(?![\s\S]*\1[\s\S]*\7)
En el último bloque de la sentencia, utilizo "lookaheads" negativos, que selecciona los grupos 1 y 7 respectivamente y se asegura de que se descarten los resultados en los que esta combinación de campos ya ha ocurrido. Por ejemplo, en el texto:
"123753","ASD-QW12-11034","6.4","Medium","123.456.789.012"
"123753","AWE-CV12-11035","","Low","123.456.789.012"
"123753","ASD-QW12-11123","6.0","High","123.456.789.012"
"123753","MRD-AA12-12345","7.0","Medium","123.456.789.012"
Sólo debería devolverse una de las cuatro líneas ya que los campos referenciados se repiten en todas.
He probado esta expresión regular en varios sitios: notepad++, regex101... mi problema es que he creado un script de PowerShell que por algún motivo no funciona de la misma manera y no realiza el descarte, de modo que muestra todo el texto.
$input_path = '.\test.txt'
$output_file = '.\extracted.txt'
$regex = '("\d{4,7}",).{0,100},(("Critical")|("High")|("Medium")|("Low")),("\d+\.\d+\.\d+\.\d+")(?![\s\S]*\1[\s\S]*\7)'
select-string -Path $input_path -Pattern $regex -AllMatches | % { $_.Matches } | % { $_.Value } > $output_file
No soy capaz de encontrar ninguna guía que explique cómo se pueden gestionar referencias a grupos específicos en un regex de powershell, o tal vez estoy comentiendo algún error.
Gracias
\s
del negative-lookahead te "traga" el retorno de carro. Pero no es así en Powershell. En todo caso, la regexp no te sirve. Yo buscaría otra solución sin regexps, pues estas no tienen "memoria" de todas las líneas previas