Bash，删除空的 XML 标记

Question

我需要几个问题的帮助，使用 bash 工具

1. 我想从文件中删除空的 xml 标签，例如：

 <CreateOfficeCode>
      <OperatorId>ve</OperatorId>
      <OfficeCode>1234</OfficeCode>
      <CountryCodeLength>0</CountryCodeLength>
      <AreaCodeLength>3</AreaCodeLength>
      <Attributes></Attributes>
      <ChargeArea></ChargeArea>
 </CreateOfficeCode>

变成：

 <CreateOfficeCode>
      <OperatorId>ve</OperatorId>
      <OfficeCode>1234</OfficeCode>
      <CountryCodeLength>0</CountryCodeLength>
      <AreaCodeLength>3</AreaCodeLength>
 </CreateOfficeCode>

为此，我已经通过这个命令这样做了

sed -i '/><\//d' file

这不是那么严格，它更像是一个技巧，更合适的是找到<pattern></pattern>并将其删除。建议？

1. 二、怎么走：

 <CreateOfficeGroup>
       <CreateOfficeName>John</CreateOfficeName>
       <CreateOfficeCode>
       </CreateOfficeCode>
 </CreateOfficeGroup>

到：

 <CreateOfficeGroup>
       <CreateOfficeName>John</CreateOfficeName>
 </CreateOfficeGroup>

1. 作为一个整体？来自：

 <CreateOfficeGroup>
       <CreateOfficeName>John</CreateOfficeName>
       <CreateOfficeCode>
            <OperatorId>ve</OperatorId>
            <OfficeCode>1234</OfficeCode>
            <CountryCodeLength>0</CountryCodeLength>
            <AreaCodeLength>3</AreaCodeLength>
            <Attributes></Attributes>
            <ChargeArea></ChargeArea>
       </CreateOfficeCode>
       <CreateOfficeSize>
            <Chairs></Chairs>
            <Tables></Tables>
       </CreateOfficeSize>
 </CreateOfficeGroup>

到：

 <CreateOfficeGroup>
       <CreateOfficeName>John</CreateOfficeName>
       <CreateOfficeCode>
            <OperatorId>ve</OperatorId>
            <OfficeCode>1234</OfficeCode>
            <CountryCodeLength>0</CountryCodeLength>
            <AreaCodeLength>3</AreaCodeLength>
       </CreateOfficeCode>
 </CreateOfficeGroup>

您能以个人身份回答这些问题吗？非常感谢！

Answer 1

XMLStarlet 是一个命令行 XML 处理器。用它做你想做的事是一个单行操作（直到添加所需的递归行为），并且适用于描述相同输入的所有 XML 语法变体：

简单版：

xmlstarlet ed \
  -d '//*[not(./*) and (not(./text()) or normalize-space(./text())="")]' \
  input.xml

花哨的版本：

strip_recursively() {
  local doc last_doc
  IFS= read -r -d '' doc 
  while :; do
    last_doc=$doc
    doc=$(xmlstarlet ed \
           -d '//*[not(./*) and (not(./text()) or normalize-space(./text())="")]' \
           /dev/stdin <<<"$last_doc")
    if [[ $doc = "$last_doc" ]]; then
      printf '%s\n' "$doc"
      return
    fi
  done
}
strip_recursively <input.xml

使用/dev/stdin 而不是-（以平台可移植性为代价）以更好地跨XMLStarlet 版本的可移植性；适应口味。

---

如果系统只安装了较旧的依赖项，则更可能安装的 XML 解析器是与 Python 捆绑在一起的。

#!/usr/bin/env python

import xml.etree.ElementTree as etree
import sys

doc = etree.parse(sys.stdin)
def prune(parent):
    ever_changed = False
    while True:
        changed = False
        for el in parent.getchildren():
            if len(el.getchildren()) == 0:
                if ((el.text is None or el.text.strip() == '') and
                    (el.tail is None or el.tail.strip() == '')):
                    parent.remove(el)
                    changed = True
            else:
                changed = changed or prune(el)
        ever_changed = changed or ever_changed
        if changed is False:
            return ever_changed

prune(doc.getroot())
print etree.tostring(doc.getroot())

Answer 2

sed '#n
1h;1!H
$ { x
:remtag
  s#\(\n* *\)*<\([^>]*>\)\( *\n*\)*</\2##g
  t remtag

  p
  }' YourFile

（posix 版本所以--posix 在 GNU sed 上）

• 从下杆到上杆递归删除空标签，直到不再出现空标签。
• 不是 XML 解析器，所以像 <tag1 prop="<tag2></tag2>"> ... 这样的东西也会删除道具内容以及 xml 允许的任何其他类似的东西。

Answer 3

您可以使用 sed 执行以下操作：

sed -i ':a;N;$!ba;s/<\([^>]*\)>[ \t\n]*<\/\1>//g;s/\([\n][\t\n ]*[\n]\)/\n/g;' yourfile.xml

开头的脚本 (:l;N;$!bl) 通过循环将所有行一起附加到模式空间 (:a - 声明标签 a；N - 将下一行附加到模式空间；$!bl - 分支到 a如果没有到达最后一行）

第一个替换的模式由开始标签 (<\([^>]*\)>) - 可选空格 ([ \t\n]*) - 结束标签 (<\/\1>) 组成。请注意标记名称模式周围的转义括号，其内容可以在表达式中称为 \1。这就是结束标签匹配开始标签的方式。

最后，第二个替换 (s/[\n][\n]*/\n/g) 只是删除了连续的换行符。