awk match() - 每行多个答案

【问题标题】：Awk match() - multiple per lineawk match() - 每行多个
【发布时间】：2011-05-05 16:26:22
【问题描述】：

我在 gawk 中使用 match() 函数从 HTML 文件中获取链接。正则表达式是这样的：

match($0, /(<a href=\")([^\"]+)/, arr)

我似乎无法在末尾使用“/g”选项来获得每行多个匹配项？

【问题讨论】：

标签： regex shell awk match gawk

【解决方案1】：

没错。 AWK 正则表达式没有标志。
此外，没有内置支持让 match 查找第二个或以后的匹配项。
只有 gsub 和 gensub 函数具有此功能。
我会尝试这样的事情：

gensub(/.*<a href=\"([^\"]+)/, "\1%", "g")
last = split($0, "%", arr)
delete arr[last]

其中% 是一个字符串，您可以保证不会在输入中找到它。

【讨论】：

【解决方案2】：

文本模式浏览器 lynx 可能是收集 URL 的更好工具。 -dump 标志将格式化输出写入标准输出。最后，您会找到该页面上每个可见和隐藏链接的编号列表。（或文件。它接受 URL 或文件名作为参数。）

$ lynx -dump http://www.stackoverflow.com 

[snip]
References

   Visible links
   1. http://stackoverflow.com/opensearch.xml
   2. http://stackoverflow.com/feeds
   3. http://stackexchange.com/
   4. http://stackoverflow.com/users/login
   5. http://careers.stackoverflow.com/
   6. http://chat.stackoverflow.com/
[snip]
 676. http://creativecommons.org/licenses/by-sa/3.0/
 677. http://blog.stackoverflow.com/2009/06/attribution-required/

   Hidden links:
 678. http://www.peer1.com/stackoverflow
 679. http://creativecommons.org/licenses/by-sa/3.0/

【讨论】：