Question

如何仅提取匹配文本的子字符串。

我有一个包含多行的XML文件。然而，这就是我所关注的。

<url>/localhost/index.html</url>

我试过

cat file.txt | grep -o '<url>.*</url>'

它给了我整条线。我只想打印/localhost/index.html。有没有其他我可以使用的选项，就像我在Python中所知，你可以将正则表达式分组到子组中并选择你想要打印的那个。

Answer 1

如果您的grep不支持-P（请参阅ruakh's answer），您可以使用sed来执行此操作：

sed -n 's|.*<url>\(.*\)</url>.*|\1|p'

Answer 2

如果您的grep版本支持-P标记（对于Perl兼容的正则表达式），则可以使用lookaround：

grep -Po '(?<=<url>).*(?=</url>)' file.txt

Answer 3

我会使用sed：

sed -n 's%.*<url>\(.*\)</url>.*%\1%p'

-n选项会关闭默认打印。 substitute命令匹配单行上的<url>和</url>标记，捕获其间的内容并包含匹配中的前导和尾随材质。替换是捕获的材料，p表示打印。我在%中使用了s%%%而不是s///，因为/出现在正则表达式中。另一种方法是使用斜杠并使用反斜杠转义正则表达式中的斜杠。

Perl也可行且简单：

perl -n -e 'print if s%.*<url>(.*)</url>.*%\1%'

-n创建一个REPL，但默认情况下不打印;仅当替代操作进行替换时才会触发print。

这个稍微复杂的Perl脚本正确处理单行上的多个<url>...</url>条目：

perl -n -e 'print "$1\n" while (s%.*?<url>(.*?)</url>%%)'

它使用非贪婪的正则表达式（.*?）来避免吃太多信息。当替换操作检测并删除带有可选前置垃圾的<url>...</url>时，代码会在URL标记之间打印匹配的部分，后跟换行符。

鉴于数据：

xyz <url>/localhost/index1.html</url> pqr
xyz <url>/localhost/index2.html</url> abc <url>/localhost/index3.html</url> pqr
<url>/localhost/index4.html</url>
<url>/localhost/index5.html</url><url>/localhost/index6.html</url>
xyz <url>/localhost/index7.html</url> abc <url>/localhost/index3.html</url> xyz <url>/localhost/index9.html</url> abc <url>/localhost/index0.html</url> pqr

最后一个Perl脚本产生：

/localhost/index1.html
/localhost/index2.html
/localhost/index3.html
/localhost/index4.html
/localhost/index5.html
/localhost/index6.html
/localhost/index7.html
/localhost/index3.html
/localhost/index9.html
/localhost/index0.html

grep或sed - 需要提取特定文本

3 个答案: