☰

Unix - Awk - Emparejar y fusionar dos archivos en una coincidencia parcial (dentro de una cadena de caracteres)

tag-icon • tag-icon text-processing awk
Unix - Awk - Emparejar y fusionar dos archivos en una coincidencia parcial (dentro de una cadena de caracteres)

Tengo dos archivos de texto: FileA.txt y FileB.txt.

Están delimitados por tabulaciones.
FileA.txt contiene registros a nivel de transacción.
FileB.txt contiene una "tabla" de referencia/búsqueda.

Me gustaría agregar columnas llamadas "Empresa" y "CATEGORÍA" en FileB.txt a FileA.txt haciendo coincidir el contenido de "Empresa" en FileB.txt con "Descripción" en FileA.txt.

Para aclarar, la combinación y combinación deben basarse en si el contenido de "Empresa" existe o no dentro de la cadena de caracteres contenida en la columna llamada "Descripción" en FileA.txt.
Se agradecería cualquier ayuda al respecto.

ArchivoA.txt

Date    Description Amount
1/15/2016   1231 HAMBURGER #1234 Albany NY 24186166001200699400511  -22.54
3/3/2016    EASTERN FRUIT CO S1 Trenton NJ  -110.93
2/26/2016   GUMPS* PAPER INC. 999-123-4560 CA   -9.99
2/16/2016   EASY BURGERS SUPPLIES 01/31 #000741643 PURCHASE FOOD S TRENTON NJ   -10.97
2/19/2016   FRANKFURTER Stamford CT -14.18
2/5/2016    CHECKCARD 0141FRANK'S GROCERIES Albany NY 24071056031987159327565   -87.92
3/11/2016   WIRED PENCIL & PAPER Sacramento NJ  -72.16
3/18/2016   UNDERWATER MAIL SRVC 654321 800-1234567 DC  -65
1/31/2016   VOYAGER REAL ESTATE CO . 415 DES:LEASE PYMNT INDN:123 Main St. CO ID:XXXXX999 ACH   -126.65
1/18/2016   CARD 0101 US BASKETWEAVING ASSOC 123-456-7890 TX 54692166432112345  -265
4/18/2016   CARD ACH #89 UNDERWATER MAIL SRVC 654321 800-1234567 DC 6787654320  -250

ArchivoB.txt

Company CATEGORY
HAMBURGER   FOOD
FRANKFURTER FOOD
PAPER INC.  OFFICE
WIRED PENCIL & PAPER    OFFICE
FRANK'S GROCERIES   GROC
EASY BURGERS SUPPLIES   GROC
EASTERN FRUIT CO.   GROC
US BASKETWEAVING ASSOC  OFFICE
UNDERWATER MAIL SRVC    OFFICE
VOYAGER REAL ESTATE REAL ESTATE

Respuesta1

Implementación sencilla. No estoy seguro de que awk sea la mejor herramienta.

  awk -F '\t' '
    BEGIN {
        while(getline < "fileB.txt")
           fileB[$1]=$0
    }

    {
      matched=""
      for (company in fileB) 
      {    
        if ( $2 ~  company ) 
        {
            matched=fileB[company]
            break
        }
      } 
      if (matched)
        print $0 "\t" matched
      else
        print 

    }' fileA.txt

Esto es para mostrarle cómo empezar, ese script se puede mejorar. La coincidencia es confiable solo si la entrada está limpia; de lo contrario, no funcionará. cuidado con mayúsculas/minúsculas, palabras separadas por más de un espacio,... Es posible que una línea coincida con más de una empresa, ese script no la detectará, en ese caso habría que sustituir el salto por un contador y luego pruebe después del ciclo.

información relacionada