sed/grep - 获取两个字符串之间的文本 (html)答案

【问题标题】：sed/grep - get text between two strings (html)sed/grep - 获取两个字符串之间的文本 (html)
【发布时间】：2014-10-03 15:57:46
【问题描述】：

我正在尝试从以下内容中提取“页面名称”：

<a class="timetable work" href="http://www.test.com/pagename?tag=meta376">Test</a>

我尝试使用“sed”让它工作，但它只显示无效的命令代码。

你们建议使用哪一行代码来获取页面名称？顺便说一句：这不是一行，但同一行上有更多内容 - 但这不应该有所作为，因为限制器之间应该有什么关系，对吧？

提前感谢您帮助我！

【问题讨论】：

您是否要从该行中提取单词“pagename”？请显示您想要的输出示例。
您要提取的究竟是什么？
好吧，我尝试获取“pagename”，是的。但是文档很大，有很多链接。所以限制器应该在<a class="timetable work" href="http://www.test.com/和?tag=meta376">Test</a>之间
正确的方法是解析 HTML。在 Perl、Python、Ruby 或其他脚本语言中使用 HTML 解析器。通过其标签/类名获取元素。获取 href 属性。解析 URL 并提取路径。

标签： regex macos bash unix sed

【解决方案1】：

正如您所评论的，如果您想提取"<a class="timetable work" href="test.com/"; and "?tag=meta376">Test</a>"，您可以使用以下正则表达式：

<a class="timetable.*?<\/a>

Working demo

如果您想获取内容，只需在正则表达式周围加上捕获组：

(<a class="timetable.*?<\/a>)

比赛是：

MATCH 1
1.  [9-80]  `<a class="timetable work" href="test.com/"; and "?tag=meta376">Test</a>`

【讨论】：

【解决方案2】：

我想这就是你想要的：

sed 's_^.*<a [^<>]* href="https*://[^/]*/\([^"?]*\).*$_\1_'

【讨论】：

【解决方案3】：

使用您告诉我们使用的分隔符准确地为您提供您所要求的内容：

$ sed -n 's|.*<a class="timetable work" href="http://www\.test\.com/\(.*\)?tag=meta376">Test</a>|\1|p' file
pagename

【讨论】：

【解决方案4】：

我知道使用正则表达式处理这个问题可能很诱人，但这里有一个替代方法。

您正在尝试解析一些 HTML，因此请使用 HTML 解析器。这是 Perl 中的一个示例：

use strict;
use warnings;
use feature qw(say);

use HTML::TokeParser::Simple;
use URI::URL;

my $filename = 'file.html'; 
my $parser = HTML::TokeParser::Simple->new($filename);

while (my $anchor = $parser->get_tag('a')) {
    next unless defined(my $class = $anchor->get_attr('class'));
    next unless $class =~ /\btimetable\b/ and $class =~ /\bwork\b/;    
    my $url = url $anchor->get_attr('href');    
    say substr($url->path, 1);
}

使用 HTML::TokeParser::Simple 解析 HTML。遍历<a> 标签，跳过任何没有定义正确类的标签。对于那些这样做的人，使用URI::URL 解析url并提取“路径”组件（在您的情况下，将是“/ pagename”）。由于您不想要前导斜杠，因此我使用 substr 删除了第一个字符。

输出：

pagename

我知道它比单个正则表达式要长得多，但它也更加健壮很多，即使将来您的 HTML 格式略有变化，它也会继续工作。 HTML 解析器的存在是有原因的 :)

【讨论】：

【解决方案5】：

我会为此使用awk：

awk -F"[/?]" '/timetable work/ {print $4}'file
pagename

它搜索包含timetable work 的行，然后使用\ 或? 作为分隔符打印第四个字段。

【讨论】：