sed正则表达式在第一场比赛停止

Question

我想替换以下html文本的一部分（大文件的摘录），以更新旧的论坛格式（由非常糟糕的论坛移植2年前完成的工作）到常规的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。在这种情况下，sed太贪心，并将所有内容放在[quote = ...]标记中的第一个和最后一个匹配之间。我似乎无法让它取代行中这种模式的每一个出现...（我不认为有任何嵌套引号，但这会使它更加困难）

Answer 1

你需要一个使用Perl兼容正则表达式的 sed （1）版本，以便你可以做一些事情，比如做一个最小的匹配，或者做一个负向前瞻的事情。

最简单的方法就是首先使用Perl。

如果您有现有的 sed 脚本，则可以使用 s2p （1）实用程序将其转换为Perl。请注意，在Perl中，您确实希望在$1运算符的右侧使用s///。在大多数情况下，\1已经过时，但通常您需要$1：

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

注意我已经删除了parens前面的反斜杠。使用Perl的另一个好处是它使用了理智的 egrep 式正则表达式（如 awk ），而不是丑陋的 grep 式（如 sed ）需要所有那些令人困惑（和不一致）的反斜杠。

使用Perl的另一个好处是你可以使用配对的，可嵌套的分隔符来避免丑陋的反斜杠。例如：

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

其他优势包括Perl与UTF-8（现在是Web的大多数编码形式）相处得非常好，并且您可以进行多行匹配，而不会出现 sed 所需的极度痛苦。例如：

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

-CSD使得它将stdin，stdout和文件视为UTF-8。 -00使其在一次啜饮中读取整个文件，并且/s使点交叉换​​行边界。

Answer 2

我认为sed不支持非贪婪匹配。你可以试试perl：

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

Answer 3

这可能对您有用：

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

说明：

• 如果某行不包含该模式，则跳过它。 /<blockquote.*written by .*<\/i>/!b
• 在整个生产线上将图案的正面全局更改为换行符。 s/<blockquote/\n/g
• 使用[^\n]*代替.*全局替换换行符，然后替换剩余的换行符。 s/\n[^\n]*written by \([^\n]*\)<\/i>/[quote=\1]/g
• 将未更改的换行符还原为原始前端模式。 s/\n/\<blockquote/g