Информация об извлечении от текстового файла

Это похоже на своего рода XML или подобный файл языка разметки. Такие файлы не должны быть проанализированы простыми регулярными выражениями из страха пробуждения К ͇̹̺ͅƝ ̴ȳ ̳ TH̘E ͖̈́̉ ͠P ̯͍̭ O ̚​ N̐Y ̡. Необходимо использовать синтаксический анализатор, специфичный для той разметки и любимого языка сценариев вместо этого.

Это похоже на OMIM или данные HPO, в этом случае, необходимо смочь получить простые текстовые файлы и упростить вещи. Если Вы не можете и действительно действительно должны проанализировать этот файл, Вы могли бы сделать это в жемчуге:

perl -lne '/<.*?>([^<>]+)/ && print $1' foo.txt

Однако это повредится, если у Вас будет несколько тегов на строку, или если содержание Вашего тега может охватить несколько строк или если данные тега могут содержать > или <. Если вся Ваша информация всегда между <category="whatever">blah blah</category>, можно добраться, все более надежно (включая много строку отмечают содержание и встроенный < или >):

#!/usr/bin/env perl

## Set the start and end tags
$end="</category>"; 
$start="<category=.*?>"; 

## Read through the file line by line
while(<>){
    ## set $a to one if the current line matches $start
    $a=1 if /$start/; 
    ## If the current line matches $start, capture any relevant content.
    ## I am also removing any $start or $end tags if present.
    if(s/($start)*(.+)($end)*/$2/){
    push @lines,$2 if $a==1;
    }  
    ## If the current line matches $end, capture any relevant content,
    ## print what we have saved so far, set $a back to 0 and empty the
    ## @lines array
    if(/$end/){
    map{s/$end//;}@lines; 
    print "@lines\n";
    @lines=(); 
    $a=0
    }; 
}

Сохраните этот сценарий как foo.pl или что бы то ни было, сделайте это исполняемым файлом и выполните его на своем файле:

./foo.pl file.txt

Например:

$ cat file.txt 
<category="SpecificDisease">Type II 
 human complement C2 deficiency</category>
<category="Modifier">Huntington disease</category>
<category="CompositeMention">hereditary breast < and ovarian cancer</category>
<category="DiseaseClass">myopathy > cardiopathy</category>

$ ./foo.pl file.txt 
Type II   human complement C2 deficiency
Huntington disease
hereditary breast < and ovarian cancer
myopathy > cardiopathy

Еще раз, хотя, я подчеркиваю, что, если (который вероятен) Ваш файл будет более сложным, чем пример выше, то это перестанет работать, и будут необходимы более сложные методы.

Можно сделать это просто в sed:

sed 's/>\([^>]\+\)</\1/' your_file > new_file

извлечь текст между > и < на каждой строке. Это предполагает, что у Вас есть один тег на строку.