Question

我正在编写一个脚本，它将html页面源作为文件下载，然后读取该文件并提取位于特定代码之后的特定URL。（它只有1次出现）

以下是我需要匹配的示例：

<img id="sample-image" class="photo" src="http://xxxx.com/some/ic/pic_1asda963_16x9.jpg"

URL之前的代码将始终相同，因此我需要在以下之间提取部分：

<img id="sample-image" class="photo" src="

URL后面的

和"。

我尝试了像这样的sed：

sed -n '\<img\ id=\"sample-image\"\ class=\"photo\"\ src=\",\"/p' test.txt

但它不起作用。非常感谢您的建议，非常感谢！

Answer 1

您可以像这样使用grep：

grep -oP '<img\s+id="sample-image"\s+class="photo"\s+src="\K[^"]+' test.txt

或sed：

sed -r 's/<img\s+id="sample-image"\s+class="photo"\s+src="([^"]+)"/\1/' test.txt

或awk：

awk -F'src="' -F'"' '/<img\s+id="sample-image"/{print $6}' test.txt

Answer 2

如果您有GNU grep，那么您可以执行以下操作：

grep -oP "(?<=src=\")[^\"]+(?=\")" test.txt

如果您希望使用awk，则以下内容可行：

awk -F\" '{print $(NF-1)}' test.txt

Answer 3

使用sed作为

echo $string | sed 's/\<img.*src="\(.*\)".*/\1/'

Answer 4

您正在使用的sed命令的一些内容：

sed -n '\<img\ id=\"sample-image\"\ class=\"photo\"\ src=\",\"/p' test.txt

您无需转义<，"或空格。单引号可以防止shell在sed表达式上进行分词和其他内容。
你基本上是这样做sed -n '/pattern/p' test.txt（除了你好像缺少开头反斜杠），说“匹配这个模式，然后打印包含匹配的行”，你实际上并没有提取URL。
这是次要的，但您不需要匹配class="photo"，因为id已经使HTML元素唯一（在同一HTML中没有两个元素共享相同的ID））。

这就是我要做的事情

sed -n 's/.*<img id="sample-image".*src="\([^"]+\)".*/\1/p' test.txt