SED - 从 XML 文件中去除某些标签答案

【问题标题】：SED - stripping certain tags from XML fileSED - 从 XML 文件中去除某些标签
【发布时间】：2013-08-01 10:19:46
【问题描述】：

我有一些带有这样标签的 xml 文件：

<?xm-insertion_mark_start author="some_author" time="20050602T125956-0500"?>

我将如何剥离此类插入物？我试过这个有用：

sed -e 's/<\?xm.*?\?>//g' in.xml > out.xml

【问题讨论】：

标签： xml xml-parsing sed

【解决方案1】：

sed 没有不情愿（“非贪婪”）量词。试试这个：

sed '/<?xm\([^?][^>]\)\+?>/d' in.xml > out.xml

编辑：当然，您可以使用 XSLT 从 XML 中安全地删除处理指令 (PI)。

这将删除所有名为 xm-insertion_mark_start 的 PI，但保留所有剩余的 XML 不变。

<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
    <xsl:template match="node() | @*">
        <xsl:copy>
            <xsl:apply-templates select="node() | @*" />
        </xsl:copy>
    </xsl:template>

    <xsl:template match="processing-instruction('xm-insertion_mark_start')" />
</xsl:stylesheet>

使用

<xsl:template match="processing-instruction()" />

如果您想删除所有个 PI，无论其名称如何。

您可以使用xsltproc(1) 在命令行上将转换应用到您的 XML。

【讨论】：

不正确。在sed 中，? 不是元字符。你必须让它不转义才能从字面上匹配它。括号是元字符，因此您需要对它们进行转义，+ 也是如此。
不完全。 )、( 和 + 必须转义以应用其特殊含义。也许我之前的评论说错了，对不起。在不转义它们的情况下，它们匹配文字，与? 相同。作为替代，使用--regex-extended 可以让您使用?、+、( 和) 而无需转义，就像大多数其他语言的正则表达式风格（并且您的第一个版本已经使用它）。
在某种程度上，sed 的正则表达式的工作方式与 vim 的一样。我一直忘记这一点。现在应该没事了。
是的。我与 magic 版本非常相似。除非*、零宽度断言等等，否则所有都逃脱了。
我在 sed 上做的不多，虽然我在正则表达式和 vim 上做的很多 - 也许现在我更经常得到 sed 的正确答案。

【解决方案2】：

使用 sed 的 delete (d) 命令代替替换 (s)：

也可以像这样使用sed -i（内联）：

sed -i.bak '/<?xm.*?>/d' in.xml

使用 grep：

grep -v '<\?xm.*\?>' in.xml > out.xml

警告：shell 实用程序并不总是解析和编辑 XML 数据的最佳工具。

【讨论】：

@Tomalak：我没有在我的 sed 命令中使用非贪婪量词。与文字 ? 匹配的 \? 被转义。
是的，这就是我删除评论的原因。无论如何，你的表达是危险的，不应该使用。由于贪婪的.*，它可以并且将销毁XML文件（如果它包含多个处理指令）。
@Tomalak：就此而言，任何 sed 命令都可能破坏 XML，如果 <?xm...?> 以上行有换行符、换行符怎么办？
嗯...你是对的。我的答案中的表达式将处理它们，您必须将行分隔符设置为 \n 以外的其他内容才能使其工作。由于 XML 不能合法包含，比如\0x8，您可以将其用作行分隔符并将文件作为单行处理。（我不知道这是否容易实现 - this answer 建议通过 tr 用管道替换 \n 与 sed 无法识别的东西）
? 不是sed 的元字符。不要逃避它以匹配字面意思。