如何修复 shell 脚本中的字符串（删除答案

【问题标题】：How can I fix a string in shell script (remove如何修复 shell 脚本中的字符串（删除
【发布时间】：2016-04-12 06:45:10
【问题描述】：

我正在使用 shell 脚本对 cablemodem 的 HTML 诊断页面源代码进行网络抓取，我需要修复一些由摩托罗拉完成的编码错误。在许多页面中，有少数情况在输入标签末尾缺少结束 >，这会破坏事物。由于</td> 前面的值是动态的，我需要能够动态修复标签。

示例字符串： <td bgcolor=#E7DAAC width=138 colspan=2><input type="text" name="NumberOfCpes" size="3" maxlength="3" value=253 </td>

value=253 </td>看看结局如何

如何在整个页面中的每次出现都用“>”替换该空格？请记住，在这些页面中还有其他地方 </td> 前面有一个空格，因此 sed 's/ <\/td>/><\/td>/g' 将无法正常工作。

感谢您的帮助

【问题讨论】：

你需要支持<td name="<ugly_with_brace_in_name">这样的东西吗？如果没有，您可以执行s/<(.*)</<\1/></g 之类的操作，即两个打开<'s = </><
@TomaszLewowski 它应该是s/<([^<*])</<\1></g，因为* 匹配贪婪。
@hek2mgl 感谢您的更正
@hek2mgl @TomaszLewowski 猫 temp.html | sed 's/' sed: -e expression #1, char 19: invalid reference \1 on `s' 命令的 RHS 我错过了什么吗？跨度>
@vizi0n 您需要使用sed -r ... 或转义括号。还要检查我的答案。

【解决方案1】：

使用 sed 的正则表达式和替换方法

sed -r 's#(<input[^>]+)[[:space:]]*<#\1>#g;s#[[:space:]]+([>])#\1#g'

如果你有下面的例子

<td bgcolor=#E7DAAC width=138 colspan=2><input type="text" name="NumberOfCpes" size="3" maxlength="3" value=253       </td>

你的输出将是

<td bgcolor=#E7DAAC width=138 colspan=2><input type="text" name="NumberOfCpes" size="3" maxlength="3" value=253>/td>`

【讨论】：

【解决方案2】：

虽然它不是格式良好的 HTML，但它不应该破坏您的工具 - 如果您使用的是正确的工具。

要解析 HTML，您需要使用 DOM 解析器。我建议与它一起使用 XPath。在 Linux 的命令行中，您可以使用 xmllint，它是包 libxml2-utils 的一部分。通过libxml2（Linux上常用的xml库）提供的DOM解析器可以解析上述无效输入。

假设您要提取输入值：

xmllint --html --xpath '//input[@name="NumberOfCpes"]/@value' test.html

它报告一个 HTML 解析错误，您可以将其重定向到 /dev/null:

xmllint --html --xpath '//input[@name="NumberOfCpes"]/@value' test.html 2>/dev/null

但仍然在标准输出上为您提供正确的值：

value="253"

当然，网站生成无效的 HTML 确实很烦人。

【讨论】：

也许我说“解析”没有很好地表达自己。我要么在源代码中获取一些信息，要么使用 grep 和 sed 从 lynx 转储 HTML 输出，我找到了我需要的东西。这个损坏的标签会导致 lynx 在转储的输出上显示一个空的输入框。对我来说，DOM 解析器可能看起来有点矫枉过正，至少在短期内如此。但我会在以后研究这一点以供学习。谢谢
哈哈！您正在使用 Lynx 并说 DOM 解析器（如 xmllint）是开销？！ lynx 如何解析 HTML？魔法？
我使用 wget 或 lynx 从调制解调器中获取 HTML 源代码，或者如果我只需要转储浏览器输出，则使用直接 lynx。我需要的一些信息不在特定的标签中，只是纯文本，所以我经常使用 grep、sed 和 cut。也许解析不是我所做的正确术语。