sed 正则表达式在第一场比赛中停止

Question

我想替换以下 html 文本的一部分（一个大文件的摘录），以将旧的论坛格式（由于 2 年前完成的非常糟糕的论坛移植工作导致）更新为常规的 phpBB 格式：

    <blockquote id="quote"><font size="1" face="Verdana, Arial, Helvetica" id="quote">quote:<hr height="1" noshade id="quote"><i>written by User</i>

这应该被过滤成：

    [quote=User]

我在 sed 中使用了以下正则表达式

    s/<blockquote.*written by \(.*\)<\/i>/[quote=\1]/g

这适用于给定的示例，但在实际文件中，这样的几个引号可以在一行中。在那种情况下，sed 太贪心了，将第一个和最后一个匹配项之间的所有内容都放在 [quote=...] 标记中。我似乎无法让它替换行中这种模式的每一次出现......（我认为没有任何嵌套引号，但这会使它变得更加困难）

Answer 1

您需要一个使用与 Perl 兼容的正则表达式的 sed(1) 版本，以便您可以执行诸如进行最小匹配或具有否定前瞻的匹配等操作。

最简单的方法就是首先使用 Perl。

如果您有一个现有的 sed 脚本，您可以使用 s2p(1) 实用程序将其转换为 Perl。请注意，在 Perl 中，您确实希望在 s/// 运算符的右侧使用 $1。在大多数情况下，\1 是祖父的，但一般情况下你希望$1 存在：

s/<blockquote.*?written by (.*?)<\/i>/[quote=$1]/g;

请注意，我已经删除了括号前面的反斜杠。使用 Perl 的另一个优点是它使用了正常的 egrep 风格的正则表达式（如 awk），而不是丑陋的 grep 风格的正则表达式（如sed），它需要所有那些令人困惑（和不一致）的反斜杠。

使用 Perl 的另一个优点是您可以使用成对的、可嵌套的分隔符来避免难看的反斜杠。例如：

s{<blockquote.*?written by (.*?)</i>}
 {[quote=$1]}g;

其他优点包括 Perl 与 UTF-8（现在是 Web 的多数编码形式）非常好相处，并且您可以进行多行匹配，而不会像 sed 那样感到极度痛苦。例如：

$ perl -CSD -00 -pe 's{<blockquote.*?written by (.*?)</i>}{[quote=$1]}gs' file1.utf8 file2.utf8 ...

-CSD 使其将标准输入、标准输出和文件视为 UTF-8。 -00 使其一口气读取整个文件，/s 使点根据需要跨越换行符边界。

Answer 2

我不认为sed 支持非贪婪匹配。你可以试试 perl：

perl -pe 's/<blockquote.*?written by \(.*\)<\/i>/[quote=\1]/g' filename

Answer 3

这可能对你有用：

sed '/<blockquote.*written by .*<\/i>/!b;s/<blockquote/\n/g;s/\n[^\n]*written by \([^\n]*\)<\/i>/[quote=\1]/g;s/\n/\<blockquote/g' file

解释：

• 如果一行不包含该模式，则跳过它。 /<blockquote.*written by .*<\/i>/!b
• 在整个行中全局将模式的前面更改为换行符。 s/<blockquote/\n/g
• 使用[^\n]* 而不是.* 全局替换换行符，然后是剩余模式。 s/\n[^\n]*written by \([^\n]*\)<\/i>/[quote=\1]/g
• 将那些未更改的换行符恢复为原始的前面模式。 s/\n/\<blockquote/g