使用 bash shell 命令提取 html 标签 <pre> 之间的内容答案

【问题标题】：Extract content between html tags <pre> using bash shell command使用 bash shell 命令提取 html 标签 <pre> 之间的内容
【发布时间】：2020-11-28 06:12:50
【问题描述】：

我想在 bash 中使用 shell 脚本解析下面的 html 文本字符串。

    <pre style=\"font-family: helvetica, arial, sans-serif; white-space: pre-wrap; margin: 0;\">peter-2</pre>\n                                    <pre style=\"font-family: helvetica, arial, sans-serif; white-space: pre-wrap; margin: 0;\">peter-1</pre>\n                                    <pre style=\"font-family: helvetica, arial, sans-serif; white-space: pre-wrap; margin: 0;\">peter0</pre>\n                                    <pre style=\"font-family: helvetica, arial, sans-serif; white-space: pre-wrap; margin: 0;\">peter1</pre>\n                                    <pre style=\"font-family: helvetica, arial, sans-serif; white-space: pre-wrap; margin: 0;\">peter2</pre>\n                                    <pre style=\"font-family: helvetica, arial, sans-serif; white-space: pre-wrap; margin: 0;\">peter3</pre>\n                                    <pre style=\"font-family: helvetica, arial, sans-serif; white-space: pre-wrap; margin: 0;\">peter4</pre>\n

预期输出：

peter-2
peter-1
peter0
peter1
peter2
peter3
peter4

我希望 shell 命令基于 <pre 标签而不是基于位置来提取值。

【问题讨论】：

Don't Parse XML/HTML With Regex. 我建议使用 XML/HTML 解析器 (xmlstarlet, xmllint ...)。
我不想使用直接命令。我想使用正则表达式，这样我就不必安装任何命令了。
<pre\s.*?>(.*?)<\/pre>regex101.com/r/sfanee/1。你可以使用grep -po "<pre\s.*?>(.*?)<\/pre>"之类的命令
这能回答你的问题吗？ Parse HTML using shell
@mjrezaee 你测试了 grep 吗？我运行它，它不起作用。 grep 命令失败。你运行的是什么操作系统？似乎在 regex101 上选择了正确的字段

标签： regex bash shell unix grep

【解决方案1】：

假设您的输入总是那么常规，并且由于某种原因您不能使用 XML 解析器，而只是想要一些便宜而愉快的东西，然后使用在替换文本中接受 \n 的 sed（例如 GNU sed）：

$ sed 's:</pre>:\n:g' file | sed -n 's/.*>//p'
peter-2
peter-1
peter0
peter1
peter2
peter3
peter4

否则在带有任何 sed 的 bash 中：

$ sed 's:</pre>:\'$'\n'':g' file | sed -n 's/.*>//p'
peter-2
peter-1
peter0
peter1
peter2
peter3
peter4

或任何 shell 中的任何 awk：

$ awk '{gsub("</pre>","\n")}1' file | awk 'sub(/.*>/,"")'
peter-2
peter-1
peter0
peter1
peter2
peter3
peter4

【讨论】：

正是我需要的。谢谢@Ed Morton

【解决方案2】：

# xml_read function
# usage: xml_read <filename> <attribute> [<tag>] (default is </string>)
xml_read () {
  local filename="${1//\*/.\*}" attribute="${2//\*/.\*}" tag="${3//\*/.\*}" value
  [ -n "${tag}" ] || tag=string
  [ -n "${filename}" ] && [ -n "${attribute}" ] && \
  value="$(grep -iwhoIrm1 "<${tag} name=\"${attribute}\">.*</${tag}>" "${filename}" 2> /dev/null | cut -d\> -f2)"
  [ -n "${value}" ] && while [ "${value:(-1)}" != "<" ]; do value="${value%?}"; done
  printf '%s' "${value%?}"
}

编辑：

不确定您的输入格式\n 是换行吗？ cut 基于工作行我添加了一个 sed 以将输入文件修改为可读格式

您的 xml 文件看起来与我的不同。移植的函数可能是这样的

#!bin/bash

# xml_read function
# usage: xml_read <filename> <attribute> [<tag>] (default is </string>)
xml_read () {
  local filename="${1//\*/.\*}" attribute="${2//\*/.\*}" tag="${3//\*/.\*}" value
  [ -n "${tag}" ] || tag=string
  [ -n "${filename}" ] && [ -n "${attribute}" ] && \
  grep -iwhoI "<${tag} ${attribute}=.*>.*</${tag}>" "${filename}" 2> /dev/null | cut -d\> -f2 | cut -d\< -f1
}

# evaluate linefeeds
sed -i 's,\\n,'\\n',g' test.xml

# call function
xml_read test.xml style pre

【讨论】：

attribute = style, tag = pre（属性接受星号通配符，如*style）