regex - 递归列出包含 m of n 正则表达式的文件

Question

我有一个包含很多文件的目录。我有 n 搜索模式，并想列出与其中 m 匹配的所有文件。

示例:从下面的文件中，列出至少包含 两个 str1、str2、str3 和 str4。

$ ls -l dir/
total 16
-rw-r--r--. 1 me me 10 Jun 22 14:22 a
-rw-r--r--. 1 me me  5 Jun 22 14:22 b
-rw-r--r--. 1 me me 10 Jun 22 14:22 c
-rw-r--r--. 1 me me  9 Jun 22 14:22 d
-rw-r--r--. 1 me me 10 Jun 22 14:22 e
$ cat dir/a
str1
str2
$ cat dir/b
str2
$ cat dir/c
str2
str3
$ cat dir/d
str
str4
$ cat dir/e
str2
str4

我设法通过在 find 结果上生成 n grep 进程的相当丑陋的 for 循环实现了这一点对于每个文件，这显然是非常低效的，并且在包含大量文件的目录上会花费很长时间:

for f in $(find dir/ -type f); do
  c=0
  grep -qs 'str1' $f && let c++
  grep -qs 'str2' $f && let c++
  grep -qs 'str3' $f && let c++
  grep -qs 'str4' $f && let c++
  [[ $c -ge 2 ]] && echo $f
done

我很确定我可以以一种性能更好的方式实现这一目标，但我不确定如何解决它。据我从手册页(即 -e 和 -m)中了解到，单独使用 grep 是不可能的。

什么是正确的工具？这可以用 awk 实现吗？

好处:通过使用 find 我可以定义要更精确搜索的文件(即 -prune 某些子目录或仅使用 -iname '* 搜索文件.txt')，我也想用其他解决方案来做。

---

更新

下面是关于不同实现的性能的一些统计数据。

---

查找 + awk

(脚本来自 this 答案)

real    0m0,006s
user    0m0,002s
sys     0m0,004s

---

python

(本人python菜鸟，请指教是否可以优化):

import os

patterns = []
patterns = ["str1", "str2", "str3", "str4"]

for root, dirs, files in os.walk("dir"):
    for file in files:
        c = int(0)
        filepath = os.path.join(root, file)
        with open(filepath, 'r') as input:
            for pattern in patterns:
                for line in input:
                    if pattern in line:
                        c += 1
                        break
        if ( c >= 2 ):
            print(filepath)

real    0m0,025s
user    0m0,019s
sys     0m0,006s

---

c++

(脚本来自 this 答案)

real    0m0,002s
user    0m0,001s
sys     0m0,001s

Answer 1

$ cat reg.txt
str1
str2
str3
str4

$ cat prog.awk
# reads regexps from the first input file
# parameterized by `m'
# requires gawk or mawk for `nextfile'
FNR == NR {
  reg[NR] = $0
  next
}
FNR == 1 {
  for (i in reg)
    tst[i]
  cnt = 0
}
{
  for (i in tst) {
    if ($0 ~ reg[i]) {
      if (++cnt == m) {
        print FILENAME
        nextfile
      }
      delete tst[i]
    }
  }
}

$ find dir -type f -exec awk -v m=2 -f prog.awk reg.txt {} +
dir/a
dir/c