如何用sed匹配和替换多行html文件答案

【问题标题】：How to match and replace multiline html file with sed如何用sed匹配和替换多行html文件
【发布时间】：2017-05-01 20:53:29
【问题描述】：

我有一个类似这样的文本文件。

<tbody>
            <tr>
                <td>
                    String1
                </td>
                <td>
                    String2
                </td>
                <td>
                    String3
                </td>
                    ...
                    ...
                <td>
                    StringN
                </td>
            </tr>
</tbody>

这是我想要的输出。

<tbody>
            <tr>
                    String1;String2;String3;... ...;StringN
            </tr>
</tbody>

这是我的 BUGGY 代码。

sed '{
:a
N
$!ba
s|<td.*>\(.*\)</td>|\1|
}'

我想删除所有<td> 和</td> 标记并获取由某个字符串分隔的所有字符串（我可以稍后使用它作为分隔符来过滤这些字符串）。我使用了URL 中给出的解决方案。输出不如我预期。

这是实际代码

<tbody>
            <tr>
                <td>
                    <a href="/120.52.72.58/80">120.52.72.58:80</a>
                </td>
                <td>
                    HTTP
                </td>
                <td>
                    <span class="text-danger">Transparent</span>
                </td>
                <td>
                    <abbr title="2016-12-15 00:07:46">12h ago</abbr>
                </td>
                <td class="small">
                    <span class="text-muted">&mdash;</span>
                </td>
                <td>
                    <img src="/flags/png/cn.png" alt="China (CN)" title="China (CN)" onerror="this.style.display='none'"> <abbr title="China">CN</abbr>
                </td>
                    <td class="small">
                            Beijing
                    </td>
                    <td class="small">
                            Beijing
                    </td>
                    <td class="small">
                            China Unicom IP network
                    </td>
                <td class="small">
                        <span class="text-muted">&mdash;</span>
                </td>
            </tr>
</tbody>

【问题讨论】：

我建议使用 XML/HTML 解析器 (xmllint, xmlstarlet ...)。
为最终的 HTML 提供您预期的输出，您可以使用xmlstarlet 吗？我可以提供一个。

标签： html shell sed

【解决方案1】：

输出没有像我预期的那样。

您的sed 代码不起作用，因为<td.*>\(.*\)</td> 匹配从第一个<td 到最后一个</td> 的模式空间部分，这是由于* 量词的greediness。不幸的是，sed 不支持带有不贪婪量词的更现代的正则表达式风格；因此，其他一些工具会更合适。

我想删除所有<td> 和</td> 标记并获取所有由某个字符串分隔的字符串...

如果这些标签总是（如您的示例）在单独的行上，我们可以使用简单的sed 命令：

sed '/<\/*td.*>/d'

所有字符串此后都由一些字符串分隔，即\n后跟空格。

【讨论】：