使用bash过滤FB档案中的消息

Question

我有点问题。我需要过滤一个非常混乱的.htm文件。它没有新行，只是一连串的混乱。

基本上我从facebook获得了一个消息存档。我需要过滤来自特定人员的消息，以便我以后可以使用它。该文件中充满了特殊字符，对我来说有点复杂。

每封邮件都是这样的。

<span class="user">User Name</span><span class="meta">Date and sh*t</span></div></div><p>MESSAGE I NEED</p>

我唯一需要的是来自特定人的消息并将其输出到txt文件。

我感谢你的每一次帮助。

谢谢

Answer 1

grep喜欢这些东西：

$ grep -Po '(?<=<p>)[^<]*' file
MESSAGE I NEED

它开始从<p>抓取字符串并一直持续到找到新的<。

---

如果您想从<span class="user">User Name</span>块中指定的特定用户获取数据，那么您可以执行以下操作：

$ user="User Name"
$ grep "<span class=\"user\">$user</span>" file | grep -Po '(?<=<p>)[^<]*'
MESSAGE I NEED

或硬编码名称：

$ grep '<span class="user">User Name</span>' file | grep -Po '(?<=<p>)[^<]*'
MESSAGE I NEED

Answer 2

另一个awk命令，

$ awk -v FS='(<p>|</p>)' '{print $2}' file
MESSAGE I NEED

我认为你需要这样的东西，

$ cat file
<span class="user">Bar</span><span class="meta">Date and sh*t</span></div></div><p>MESSAGE I NEED</p>
<span class="user">Foo</span><span class="meta">Date and sh*t</span></div></div><p>FOO starts with the letter F</p>

$ awk -v FS='(<p>|</p>)' '/Bar/{print $2}' file
MESSAGE I NEED

Answer 3

有人这样吗？

awk '/Name/ {gsub(/<[^>]*>/, " ");$1=$1}1' file
User Name Date and sh*t MESSAGE I NEED

将名称更改为您需要的名称，这将删除标记。

Answer 4

sed版本：

$ sed -n 's/^.*<p>\([^<]*\)<.*$/\1/p' file
MESSAGE I NEED

Answer 5

您的文件中没有换行符，因此要将其分解为每用户记录，我们需要将其他内容标识为记录分隔符。看起来</p>是显而易见的选择。现在我们需要将每个记录分解为字段，以便将它们与每个<...>对分开。现在给出一个包含2条记录的示例输入文件：

$ cat file
<span class="user">Jim Bob</span><span class="meta">Date and sh*t</span></div></div><p>MESSAGE I NEED</p><span class="user">Bobby Joe</span><span class="meta">Date and sh*t</span></div></div><p>MESSAGE I DONT NEED</p>

我们可以输出字段（记录号，字段号，字段内容）：

$ awk -v RS='</p>' -F'<[^>]+>' '{for (i=1;i<=NF;i++) print NR, i, $i}' file
1 1
1 2 Jim Bob
1 3
1 4 Date and sh*t
1 5
1 6
1 7
1 8 MESSAGE I NEED
2 1
2 2 Bobby Joe
2 3
2 4 Date and sh*t
2 5
2 6
2 7
2 8 MESSAGE I DONT NEED
3 1

并看到用户名是每条记录中的第二个字段，消息是第8个。

鉴于此，您可以轻松地测试/打印您想要的任何字段：

$ awk -v RS='</p>' -F'<[^>]+>' -v user="Jim Bob" '$2==user{print $8}' file
MESSAGE I NEED

请注意，上面使用GNU awk进行多字符RS。对于其他awks，最简单的方法是在调用脚本之前将所有</p>字符串转换为控件字符，然后使用该控件字符作为RS。