Linux_vi非贪婪匹配_\{-}

最新推荐文章于 2025-01-13 09:33:13 发布
最新推荐文章于 2025-01-13 09:33:13 发布
阅读量1.3k 收藏 1
点赞数
分类专栏： Linux命令
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/BBka_717/article/details/9292063
版权
本文介绍如何在Linux环境下使用vi编辑器进行非贪婪匹配操作，具体包括使用shift和分号快捷键，匹配特定模式直到遇到第一个tab字符，并解释了\{-}

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Linux_vi非贪婪匹配_\{-}


vi打开一个文件

同时按下shift和分号（即：）
1,$s/1\..\{-}\(\t\)/1\1/g

匹配1.后面加任意字符直到遇到第一个\t（tab）


\{-}也即平时用的?

.\{-}相当于.?

\(\t\)与替换的\1对应，指的是第一个括号中的字符串。

❤️学习linux 两年多沉淀下来的linux 命令大全⭐建议收藏⭐
心有鸿鹄天地，不敢妄坠人间
09-14 5万+
文章目录linux 系统命令总结大全关于作者**作者介绍**0.IP 地址相关命令0.1 ifconfig 命令 ---显示网络设备信息02.ip 命令 ---显示与操作路由03.dhclient 命令 --- 动态获取或释放IP地址04.nmtui ---界面修改网卡地址信息05.nmcli 命令 --- 设置ip地址1.文件目录命令1.1 ls 命令 --显示目录下的内容1.2 cd 命令 ---切换目录命令1.3 cp 命令---复制文件或目录1.4 mkdir ---创建目录1.5 rmdir
Linux文本过滤工具grep
悦分享
05-13 418
Linux一切皆文件，文件以文本形式存在，可读、可写、可执行（二进制文件）。我们在使用linux的时候，需熟练掌握文本的读取、编辑、筛选。在linux中，有三个很厉害的文本处理工具，即grep、sed、awk，为我们对linux系统的使用提供了很好的帮助。
vi里面的非贪心匹配
zh515858237的专栏
09-07 379
假设现在有个任务要用vi替换这句话里面连带()的内容： 也即将a(123)b(456)b改为abb 那么vi里面的命令应该是%s/(.{-})//g 注意不能是s/(.*)//g，它会将结果改为ab...
VIM的非贪婪匹配
weixin_30892037的博客
03-02 154
* 的话，是贪婪匹配，就是说如果有多个满足条件的表达式，会匹配到最后一个。 使用“\{-}”来代替“*”的话，则匹配到第一个。 转载于:https://www.cnblogs.com/sdfczyx/p/6490471.html...
在Linux的Vim编辑器中，如何使用非贪婪匹配模式查找
花果山
11-18 3046
假设有文本行如下:t1 贪婪匹配正则表达式: 只能匹配一个结果 t1 非贪婪匹配正则表达式:   （注：普通的非贪婪式为）可以匹配4个结果 、、和 
vim sed 正则表达式非贪婪匹配
LeoForBest的博客
02-27 2609
测试样例 perl正则表达式中.*?表示非贪婪模式, .*贪婪模式， vim和sed中则无法使用 贪婪模式中u’.*'会匹配到u'a', u'test', u'string' 需求是每个u’.*'匹配到u'a' u'test' u'string' 这样，并修改替换 results = [ u'a', u'test', u'string' ] # 修改为如下 results = [ "a", "test", "string" ] vim # 默认贪婪模式 %s/u'\(.*\)'/"\1"/
linux （%和%%）（#和##）贪婪匹配规则
wu1217的博客
08-31 5413
先看一个案例，提取文件名： file_txt=”example.txt” name=${ file_txt%.*} echo File name is :$name 提取扩展名： extension=${file_txt#*.} echo Extension is : $ extension ${var%.*}含义：从$var中删除位于%右边的通配符匹配的字符串，通配符从左开始匹配；
VIM 用正则表达式,非贪婪匹配,匹配竖杠,竖线, 匹配中文,倒数第二列, 匹配任意一个字符 :...
weixin_33785108的博客
03-28 1899
VIM 用正则表达式 批量替换文本，多行删除，复制，移动 在VIM中 用正则表达式 批量替换文本，多行删除，复制，移动 :n1,n2 m n3     移动n1-n2行(包括n1,n2)到n3行之下； :n1,n2 co n3    复制n1-n2行(包括n1,n2)到n3行之下； :n1,n2 d        删除n1-n2行(包括n1,n2)行；   vi替换使用规则： :...
【Linux】正则表达式的使用
v_o_i_l_a的博客
01-13 1174
Linux相关内容之正则表达式的使用介绍
运维必须掌握的27道Linux面试题
Null的博客
08-30 1574
1.解释下什么是GPL,GNU,自由软件？ GPL：（通用公共许可证）：一种授权，任何人有权取得、修改、重新发布自由软件的权力。 GNU:(革奴计划)：目标是创建一套完全自由、开放的的操作系统。 自由软件：是一种可以不受限制地自由使用、复制、研究、修改和分发的软件。主要许可证有GPL和BSD许可证两种。 2.如何选择Linux操作系统版本? 一般来讲，桌面用户首选Ubuntu；服务器首选RHEL或CentOS，两者中首选CentOS。 根据具体要求： ①安全性要求较高，则选择Debian.
vim 非贪婪匹配
jack_boy的博客
11-13 841
vim的模式匹配使用正则表达式 .*是贪婪匹配，会匹配最多的字符 如果要是非贪婪的匹配则要使用\{-} 一个例子如下: msgid:[aaaaa-ffff-#abcdef-[color=red]123456_id[/color]] #########################zzz-eee############ 如果用[b]msg.*-[/b]匹配会匹配到 [b]msg...
vim贪婪匹配与非贪婪匹配
jiaolongdy的专栏
10-29 7226
vim中如何贪婪匹配 vim中的匹配实在是不如perl好用，一直想实现非贪婪匹配，今天偶然发现可以用量词匹配来实现，具体可以看:h /\{ \{n,m} Matches n to m of the preceding atom, as many as possible \{n} Matches n of the preceding atom \{n,} Matches at least
linux如何匹配tab
u012139045的专栏
01-29 1421
大家都用过正则表达式，比如java，很容易，\t 就是tab键 今天玩shell grep命令的时候，不好使了，各种无法匹配到。 最后找到了方法分享一下，在linux命令行，2个方法： 1.grep $'\t' 2.grep 'CTRL+V+TAB'
什么是贪婪匹配和非贪婪匹配，用代码进行举例验证
编码行者的博客
06-12 2058
正则表达式验证往网站： https://regexr.com/ 转载：https://blog.youkuaiyun.com/weixin_39257042/article/details/87350773
vim笔记
zh515858237的专栏
08-17 863
编辑 ~/.vimrc，插入如下代码 二、vim中如何非贪婪匹配 例如对于下面一段文本： 如果想仅仅替换中的内容，并保留中文字，那么可以这么操作 三、在vim中使得python代码折叠的方法 ​ 1.下载Python代码折叠vim插件python_fold.vim，下载地址：https://www.vim.org/scripts/download_script.php?src_id=44312.mkdir ~/.vim/plugin/3.mv python_fold.vim ~/.vim/plugin
关于Vim的模式匹配
DDGG的专栏
03-06 7882
  关于Vim的模式匹配模式开关当使用/...或者?...对文本进行查找，或者用s/...进行替换时，模式匹配开始起作用。大家都知道，模式匹配中有一些特殊字符，它们对如何进行字符匹配起着关键性的作用。如果用过Perl，那你很可能会不习惯Vim里的模式书写方式。因为在默认情况下，Vim将|和()看做是原义字符，假设你想匹配a或b并把匹配放入缓存，那你要写成“/(a/|b/)”。这
正则表达式(vim版)非贪婪匹配释疑
cp3alai的专栏
05-10 3564
本以为自己虽然并没有特别精通正则表达式,但是基本的用法还是没有问题.但是最近遇到一个问题还是让我捉襟见肘,在此感谢大牛哥的指导. 首先我们大致了解一下正则表达式. 元字符: .   任意字符 ^   行首 $   行尾 +   一到多个紧跟在其前面的字符的个数 ?   0到1个紧跟其前面的字符 *   0到多个紧跟其前面的字符 {}   紧跟其前面的字符的个数,可选方式有.{N}
最详解的正则表达式------贪婪和非贪婪、转义符、分组
m0_63615831的博客
11-28 1286
windows10 windows98 windows99 -> 当windows后面是10的时候，给我返回windows， 说明了我们匹配的时候：windows10 -》 先去判定windows之后是10的话，匹配成功，且返回内容不包含10。贪婪与非贪婪模式影响的是被量词修饰的子表达式的匹配行为，贪婪模式在整个表达式匹配成功的前提下，尽可能多的匹配，而非贪婪模式在整个表达式匹配成功的前提下，尽可能少的匹配。: 尽可能少的去匹配。， {n,m}, {n,}, {,m}: 尽可能多的去重复， 贪婪模式。
Linux三剑客-grep命令
不吃羊的小灰灰博客
02-08 940
grep来自于英文词组“global search regular expression and print out the line”的缩写，意思是用于全面搜索的正则表达式，并将结果输出。人们通常会将grep命令与正则表达式搭配使用，参数作为搜索过程中的补充或对输出结果的筛选，命令模式十分灵活。与之容易混淆的是egrep命令和fgrep命令。如果把grep命令当作是标准搜索命令，那么egrep则是扩展搜索命令，等价于“grep -E”命令，支持扩展的正则表达式。
function vo = double_exp_shaping(vi, fs, tau_rise, tau_fall, time_slope, time_flat) vo = zeros(1,length(vi)); na = round(time_slope * fs); nb = round((time_slope + time_flat) * fs); nc = na + nb; d1 = exp(-1 / (fs*tau_fall)); d2 = exp(-1 / (fs*tau_rise)); von_1 = 0; von_2 = 0; for n = 1:1:length(vi) vin_1 = get_vi_value(vi, n - 1); vin_2 = get_vi_value(vi, n - 2); vin_na = get_vi_value(vi, n - na); vin_nb = get_vi_value(vi, n - nb); vin_nc = get_vi_value(vi, n - nc); vin_na_1 = get_vi_value(vi, n - na - 1); vin_nb_1 = get_vi_value(vi, n - nb - 1); vin_nc_1 = get_vi_value(vi, n - nc - 1); vin_na_2 = get_vi_value(vi, n - na - 2); vin_nb_2 = get_vi_value(vi, n - nb - 2); vin_nc_2 = get_vi_value(vi, n - nc - 2); % 梯形滤波器转化的时域表达式 % 曾家骏 等 - 2021 - 数字多道中双指数脉冲梯形成形算法的实现与测试 vo(n) = 2*von_1 - von_2 + ( (vi(n) - vin_na - vin_nb + vin_nc) ... - (d1 + d2)*(vin_1 - vin_na_1 - vin_nb_1 + vin_nc_1) ... + d1*d2*(vin_2 - vin_na_2 - vin_nb_2 - vin_nc_2) )/ (na*(d1 - d2) ); vo(n) = max(0, vo(n)); % 限幅 von_2 = von_1; von_1 = vo(n); end end 将matlab转为python
最新发布
03-11
<think>好的，我现在需要将用户提供的Matlab代码转换为Python。首先，我得仔细阅读并理解这段Matlab函数的功能。函数名为double_exp_shaping，输入参数包括vi（输入信号）、fs（采样率）、tau_rise和tau_fall（上升和下降时间常数）、time_slope和time_flat（斜波和平顶时间）。输出是vo，即处理后的信号。 首先，观察函数的结构。函数初始化vo为一个全零数组，长度与vi相同。然后计算na、nb、nc为基于时间和采样率的整数。接下来计算d1和d2，这两个参数是与时间常数和采样率相关的指数衰减系数。 然后进入一个循环，从1到vi的长度。在循环内部，获取不同延迟的vi值，比如n-1、n-2等。这里用到了get_vi_value函数，可能用于处理索引越界的情况，比如当n-1小于1时返回0或其他默认值。Matlab的索引从1开始，而Python从0开始，这点需要注意。 在计算vo(n)时，使用了前两次的输出值von_1和von_2，以及当前和之前多个时刻的输入值。公式中的各项可能对应某种滤波器的差分方程实现。之后，对vo(n)进行限幅，确保不小于0。最后更新von_1和von_2的值。 接下来，我需要考虑如何将这段代码转换为Python。需要注意以下几点： 1. **索引处理**：Matlab的数组索引从1开始，而Python从0开始。所有涉及到索引的地方都需要调整。例如，n在Matlab中从1开始到length(vi)，而Python中应该从0到len(vi)-1。因此，循环变量n的范围需要调整，并且所有涉及n-k的索引都需要检查是否越界，此时应该返回0。 2. **get_vi_value函数**：在Matlab中，当索引小于1时，vi(n - k)会返回空或报错，但用户自定义的get_vi_value可能处理了这种情况，返回0或其他默认值。在Python中，我们需要实现类似的逻辑，当索引小于0或超过数组长度时返回0。 3. **数组初始化**：Matlab中使用zeros(1, length(vi))，Python中可以用列表或numpy数组。考虑到性能，可能使用numpy数组更高效，特别是处理长信号时。 4. **循环中的变量更新**：Matlab代码中的von_1和von_2在每次迭代后更新，Python中需要相应的变量来保存前两次的输出值。 5. **数学运算**：Matlab中的算术运算符在Python中基本相同，但需要注意除法运算符的不同（在Python3中，/是浮点除法，而Matlab中的除法行为类似）。 6. **边界处理**：在循环中，当n小于na、nb、nc等值时，对应的延迟索引可能为负数，此时需要返回0。例如，当n=0时（Python索引），n - na可能为负数，此时应该取0。 接下来，逐步转换代码： 首先，定义Python函数，参数相同。初始化vo为一个列表或numpy数组。这里选择使用列表，然后转换为numpy数组以提高性能，但也可以直接初始化numpy数组。 计算na、nb、nc时，使用round函数，但需要注意在Python中round返回的是浮点数，需要转换为整数。例如，na = int(round(time_slope * fs))。 计算d1和d2，使用math.exp函数。 循环变量n在Python中应该从0到len(vi)-1。在Matlab代码中，原循环是n=1到length(vi)，对应Python的索引0到len(vi)-1。因此，循环改为for n in range(len(vi))。 在循环内部，获取不同延迟的vi值。例如，vin_1对应vi[n-1]在Matlab中，但在Python中当n-1 <0时，返回0。因此，需要实现一个辅助函数get_vi_value，当索引有效时返回vi的值，否则返回0。 然后，计算vo[n]的表达式。注意，在Matlab中，vo(n) = ...，而在Python中是vo[n] = ...。同时，von_1和von_2的初始值为0，每次迭代后更新为当前vo[n]和前一个von_1。 在计算vo[n]时，分母是na*(d1 -d2)，需要注意除以零的情况，但根据参数tau_rise和tau_fall的不同，d1和d2应该不同，所以分母不为零。 最后，对vo[n]应用max(0, ...)进行限幅。 现在，编写get_vi_value函数。在Matlab代码中，get_vi_value(vi, n-1)等调用，其中n从1开始，所以当n-1为0时是第一个元素。在Python中，n在循环中是0到len(vi)-1，所以n-1可能为-1，此时应返回0。因此，get_vi_value函数在Python中可以定义为：如果索引k在0到len(vi)-1之间，返回vi[k]，否则返回0。 或者，可以在代码中直接处理索引，例如： vin_1 = vi[n-1] if (n-1) >=0 else 0 但考虑到在Matlab代码中，get_vi_value可能处理了更复杂的索引（比如n - na等可能远小于0的情况），所以需要确保所有索引都是有效的。 因此，在Python中，可以编写一个辅助函数： def get_vi_value(vi, index): if index < 0 or index >= len(vi): return 0 else: return vi[index] 然后在循环中调用这个函数，传入vi和计算后的索引。例如，对于vin_na，对应的Matlab是n - na，但因为在Matlab中n从1开始，而Python中n从0开始，所以当在Python中，计算n - na +1？或者需要仔细调整索引？ 这里可能存在一个索引偏移的问题。因为Matlab中的n从1到length(vi)，而Python中的n从0到len(vi)-1。例如，在Matlab中，当n=1时，n-1=0，对应第一个元素，但在Python中，当n=0时，n-1=-1，此时应返回0。所以原Matlab中的索引n - k对应Python中的n+1 -k。或者，可能不需要调整，因为原Matlab代码中的n循环从1到length(vi)，而n对应的是当前处理的样本，所以对于每个n，在Matlab中的当前输入是vi(n)，而在Python中是vi[n]。但是，当处理n - k时，在Matlab中如果n -k <1，则返回0；在Python中，当n -k <0时返回0。例如，Matlab中的n=1，k=1时，n-k=0，get_vi_value返回0；Python中n=0，k=1，n-k= -1，同样返回0。因此，索引转换不需要调整，直接使用n -k即可，因为Matlab的n从1开始，Python的n从0开始，但对应的延迟索引需要一致。 例如，在Matlab中，当处理n=1时，n-1=0，此时返回0；在Python中，当处理n=0时，n-1=-1，同样返回0。所以，辅助函数可以正确处理这种情况。 现在，将所有变量转换为Python代码： 初始化vo为一个列表，初始值为0。然后循环处理每个n，计算各个vin_变量。 需要注意的是，在Matlab代码中，vo(n)的计算涉及到多个项，例如vi(n)对应Python中的vi[n]，vin_na对应vi[n - na]，但需要处理索引是否有效。 因此，Python代码的大致结构如下： import numpy as np import math def double_exp_shaping(vi, fs, tau_rise, tau_fall, time_slope, time_flat): vo = np.zeros(len(vi)) na = int(round(time_slope * fs)) nb = int(round((time_slope + time_flat) * fs)) nc = na + nb d1 = math.exp(-1 / (fs * tau_fall)) d2 = math.exp(-1 / (fs * tau_rise)) von_1 = 0.0 von_2 = 0.0 for n in range(len(vi)): # 计算各个延迟的vi值 vin = vi[n] vin_1 = get_vi_value(vi, n-1) vin_2_val = get_vi_value(vi, n-2) vin_na = get_vi_value(vi, n - na) vin_nb = get_vi_value(vi, n - nb) vin_nc = get_vi_value(vi, n - nc) vin_na_1 = get_vi_value(vi, n - na - 1) vin_nb_1 = get_vi_value(vi, n - nb - 1) vin_nc_1 = get_vi_value(vi, n - nc - 1) vin_na_2 = get_vi_value(vi, n - na - 2) vin_nb_2 = get_vi_value(vi, n - nb - 2) vin_nc_2 = get_vi_value(vi, n - nc - 2) # 计算vo[n] numerator = (vin - vin_na - vin_nb + vin_nc) - (d1 + d2) * (vin_1 - vin_na_1 - vin_nb_1 + vin_nc_1) + d1 * d2 * (vin_2_val - vin_na_2 - vin_nb_2 - vin_nc_2) denominator = na * (d1 - d2) if denominator == 0: # 防止除以零，但根据参数应不为零 vo_n = 2 * von_1 - von_2 else: vo_n = 2 * von_1 - von_2 + numerator / denominator vo[n] = max(0, vo_n) # 更新前两次的输出值 von_2 = von_1 von_1 = vo[n] return vo def get_vi_value(vi, index): if index < 0 or index >= len(vi): return 0.0 else: return vi[index] 这里需要注意的是，原Matlab代码中的vin_2在Python中可能与变量名冲突，因此改为vin_2_val。另外，所有的变量名可能需要调整，例如vin_na_1对应n-na-1的索引。 另外，在分母的计算中，na可能为0？但根据参数，time_slope和fs应该都是正数，所以na应该是正数，所以分母不为零。但为了安全起见，可以添加一个条件判断。 此外，Matlab代码中的数组是1-based，而Python是0-based，但通过get_vi_value函数的处理，索引越界时返回0，所以应该没有问题。 测试这段代码是否与Matlab原函数功能一致。例如，当输入信号vi为一个脉冲时，输出是否符合预期的双指数成形。 可能的问题包括： - na、nb、nc的计算是否正确，特别是round函数的使用是否与Matlab一致。在Matlab中，round函数是四舍五入，Python的round函数行为类似，但需要注意浮点数的精度问题。 - 索引是否正确处理，特别是当n - na等为负数时返回0。 - 分母是否为0的情况，需要确保参数设置正确。 - 数值精度问题，可能导致结果微小的差异，但通常可以接受。 最后，将vo初始化为numpy数组，提高计算效率，特别是在处理长信号时。此外，循环在Python中可能较慢，如果性能成为问题，可以考虑使用Numpy的向量化操作，但根据原Matlab代码的结构，可能难以向量化，因为每个vo[n]依赖于前两个输出值，导致循环依赖。</think>将MATLAB代码转换为Python时，需要注意索引差异和边界处理。以下是等效的Python实现： ```python import numpy as np def double_exp_shaping(vi, fs, tau_rise, tau_fall, time_slope, time_flat): """双指数脉冲梯形成形算法 参数: vi (np.array): 输入信号 fs (float): 采样率 tau_rise (float): 上升时间常数 tau_fall (float): 下降时间常数 time_slope (float): 斜波时间 time_flat (float): 平顶时间 返回: np.array: 成形后的输出信号 """ vo = np.zeros_like(vi) na = int(round(time_slope * fs)) nb = int(round((time_slope + time_flat) * fs)) nc = na + nb d1 = np.exp(-1 / (fs * tau_fall)) d2 = np.exp(-1 / (fs * tau_rise)) von_1 = 0.0 von_2 = 0.0 for n in range(len(vi)): # 获取历史采样值（自动处理边界） vin = vi[n] vin_1 = vi[n-1] if n-1 >= 0 else 0 vin_2 = vi[n-2] if n-2 >= 0 else 0 vin_na = vi[n-na] if n-na >= 0 else 0 vin_nb = vi[n-nb] if n-nb >= 0 else 0 vin_nc = vi[n-nc] if n-nc >= 0 else 0 vin_na_1 = vi[n-na-1] if n-na-1 >= 0 else 0 vin_nb_1 = vi[n-nb-1] if n-nb-1 >= 0 else 0 vin_nc_1 = vi[n-nc-1] if n-nc-1 >= 0 else 0 vin_na_2 = vi[n-na-2] if n-na-2 >= 0 else 0 vin_nb_2 = vi[n-nb-2] if n-nb-2 >= 0 else 0 vin_nc_2 = vi[n-nc-2] if n-nc-2 >= 0 else 0 # 计算当前输出 numerator = (vin - vin_na - vin_nb + vin_nc) \ - (d1 + d2)*(vin_1 - vin_na_1 - vin_nb_1 + vin_nc_1) \ + d1*d2*(vin_2 - vin_na_2 - vin_nb_2 - vin_nc_2) denominator = na * (d1 - d2) vo_current = 2*von_1 - von_2 + numerator / denominator # 限幅处理 vo[n] = max(0, vo_current) # 更新历史状态 von_2, von_1 = von_1, vo[n] return vo ``` **主要修改说明**： 1. 使用numpy数组替代MATLAB矩阵操作 2. 索引处理：Python使用0-based索引，通过条件表达式处理边界条件 3. 移除独立的get_vi_value函数，直接使用条件表达式进行边界判断 4. 使用numpy的exp函数替代MATLAB的exp 5. 保留核心算法结构，保持变量命名与原文一致
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值