在 awk 中查找正则表达式

Question

我有这样一行的文件：

<div class="cell contentCell bbActiveRow" tabindex="-1" style="width: 150px; left: 77px; display: block;" cellposition="15,2"><div class="cell contentCell bbActiveRow last-child" tabindex="-1" style="width: 150px; left: 697px; display: block;" cellposition="15,6">159</div></div><div class="contentRow bb_row" rowindex="16" style="display: block; top: 429px;"><div class="cell first-child " title="Go to box" tabindex="-1" role="linkAction" cellposition="16,0"><span class="pre-child" style="background-color:#16A765;">&nbsp;</span><span class="link" role="link">&nbsp;</span></div>

我想抓住的重要一点是 159 in：

,6">159</div>

我可以用 grep 很好地理解它：

cat c |grep  ',6\">[0-9]\+<'

现在，我想做的实际上是捕获数字本身 (159) 并将其打印出来。 请注意，我拥有的实际文件有几行。理想情况下，只会打印出数字。

我以为我可以用 awk 做到这一点：

cat c | awk ' /,6\">([0-9]\+)/ { print $1 } '

但是不，没有任何东西被打印出来。 准备好正则表达式，并且知道文件中有几行包含与表达式匹配的条目（具有不同的数字），您将如何挤出这些数字？

Answer 1

这个 oneliner 是一种替代方法（使用 xpath 表达式匹配包含以 ',6' 结尾的 cellposition 属性值的 div 元素）：

# xmllint --html test.html --xpath '//div[substring(@cellposition, string-length(@cellposition) - 1)=",6"]/text()' 
159

Answer 2

务实的做法：

cat c | grep -o ',6\">[0-9]\+<' | awk -F'<|>' '{ print $2 }'

• -o 导致 grep 只报告每行的匹配部分。
• 然后awk -F'<|>' '{ print $2 }' 提取> 和< 之间的令牌。

---

至于为什么你的awk 命令不起作用：

• awk 使用扩展正则表达式，其中 + 不得转义为 \+ 才能被识别为量词。
• 即使修复了该问题，该命令也不起作用，因为默认情况下，awk 按空格分割，因此$2 将在每个匹配项上仅报告第二个 空格 分隔的标记行，与导致匹配的正则表达式无关。

---

顶部的解决方案甚至可以在一行上找到 多个 匹配项，但如果我们假设最多有 1 个，那么相对 这样做很简单全部在awk，如果你有 GNU awk:

cat c | gawk '{ m=gensub(/^.*,6\">([0-9]+)<.*$/, "\\1", "1"); if (m != $0) print m }'    

• 非 POSIX gensub() 替换正则表达式匹配项并返回替换，同时至关重要的是还支持反向引用，而 POSIX sub() 和 gsub() 函数不支持。
• 上面匹配整行，然后仅用捕获的数字替换它（通过（转义）反向引用\1），并将结果存储在变量中。如果变量不等于输入行，则捕获并打印匹配项。

虽然只有 POSIX awk 功能的解决方案是可能的（使用 match()、RSTART、RLENGTH、split()），但它会很麻烦。

---

最后，如果你有xmllint（OS X 有，一些 Linux 发行版），考虑guido's answer 的解决方案，执行实际的 HTML 解析并应用XPath 查询，因此更健壮。