如何从 XML 文件中提取它们之间的所有标签和内容？答案

【问题标题】：How to extract all tags and content between them from the XML file?如何从 XML 文件中提取它们之间的所有标签和内容？
【发布时间】：2015-08-15 23:15:17
【问题描述】：

鉴于 XML 文件，我想提取模式之间的所有字符串并放入单独的文件中，最好使用 sed、awk、grep 等 bash 工具...

例如，如果我有 XML 文件，带有分隔符标签：

<a><b>yada</b>
<c>yada</c>
</a><a>
foo</a>
<a>bar</a>

我想要包含以下内容的文件：

<a><b>yada</b>
<c>yada</c>
</a>

第二个：

<a>
foo</a>

第三个：

<a>bar</a>

【问题讨论】：

那不是有效的 XML。第一个a 标记中的b 和c 标记永远不会关闭。

标签： xml bash awk sed

【解决方案1】：

使用您的示例并假设标签 a 内没有 </a>

sed '1!H;1h;$!d
   x
   s#\(.*</a>\).*$#\1#
   s/\(<a>.*\)$/\1/
   s/<a>/\
&/g
   s#</a>#&\
#g' YourFile \
| awk 'BEGIN        {Index=0}
       /<a>/,/<\/a>/{if ( index( $0, "<a>") > 0) Index++
                     print $0 >> "File."Index
                    }'

创建与<a>...</a>标签一样多的File.1 2 3
使用第一个 sed 将 <a>...</a> 子字符串分隔为段落（在与输出操作部分相同的 awk 中对我来说不容易），使用 awk 发送到不同的文件（无法从 sed）
文件标题和尾随部分的删除是可选的s#$.*</a>$.*$#\1#和s/$<a>.*$$/\1/

【讨论】：

我最终使用了这个解决方案，因为在我的情况下 XML 的格式不正确。感谢您的回答。

【解决方案2】：

我会使用 Python，它的标准库中有一个 XML 解析器。例如：

#!/usr/bin/python

import xml.dom.minidom as DOM;
import sys;

# first parameter is input file
dom = DOM.parse(sys.argv[1])
i = 0

# find, iterate through all 'a' tags
for tag in dom.getElementsByTagName('a'):
    # Using filenames output1.xml, output2.xml etc.
    # Change format string as required.
    i = i + 1
    with open('output{}.xml'.format(i), 'w') as f:
        print >> f, tag.toxml()

另存为foo.py，调用

python foo.py input.xml

（或./foo.py input.xml 在chmod +x 之后）

【讨论】：