Question

我仍然是shell脚本的菜鸟，但我正在努力。下面是一个部分工作的shell脚本，它应该通过匹配标记并删除其附带的内容来从* .htm文档中删除所有JS。例如。 <script src="">，<script></script>和<script type="text/javascript">

find $1 -name "*.htm" > ./patterns
for p in $(cat ./patterns)
do
sed -e "s/<script.*[.>]//g" $p #> tmp.htm ; mv tmp.htm $p
done

这个问题是脚本是因为sed逐行读取文本输入，所以这个脚本不能按预期用新行工作。运行：

<script>
//Foo
</script>

将删除第一个脚本标记，但会省略我不想要的“foo”和结束标记。

有没有办法匹配正则表达式中的换行符？或者，如果sed不合适，我还可以使用其他任何东西吗？

Answer 1

假设您在不同的行上有<script>个标记，例如类似的东西：

foo
bar
<script type="text/javascript">
some JS
</script>
foo

以下内容应该有效：

sed '/<script/,/<\/script>/d' inputfile

Answer 2

此awk脚本将查找<script*>标记，设置in变量，然后阅读下一行。找到结束</script*>标记时，变量设置为零。如果in变量为零，则最终打印模式输出所有行。

awk '/<script.*>/   { in=1; next }
     /<\/script.*>/ { if (in) in=0; next }
    { if (!in) print; } ' $1

Answer 3

正如您所提到的，问题是sed逐行处理输入。

因此，最简单的解决方法是将输入设为单行，例如用输入中不存在您确信的字符替换换行符。

人们很想使用tr：

… |tr '\n' '_'|sed 's~<script>.*</script>~~g'|tr '_' '\n'

然而“currently tr fully supports only single-byte characters”，为了安全起见，您可能想要使用ˇ之类的不可能的字符，而tr对此无效。

幸运的是，使用sed，using branching可以实现同样的目标。

回到我们的<script>…</script>示例，这确实有效，并且（根据之前的链接）跨平台：

… |sed -e ':a' -e 'N' -e '$!ba' -e 's/\n/ˇ/g' -e 's~<script>.*</script>~~g' -e 's/ˇ/\n/g'

如果您使用GNU sed并且不需要跨平台兼容性，则采用更精简的形式：

… |sed ':a;N;$!ba;s/\n/ˇ/g;s~<script>.*</script>~~g;s/ˇ/\n/g'

有关分支部分（:a;N;$!ba;）的详细信息，请参阅“使用分支”下的链接答案。剩下的部分很简单：

s/\n/ˇ/g用ˇ;
s~<script>.*</script>~~g删除了需要删除的内容（请注意，实际使用时需要一些安全保护：因为它会删除第一个<script>和最后一个</script>之间的所有内容;此外，请注意，我使用了~而不是/来避免在</script>中转义斜杠：我可以使用几乎任何单字节字符，除了一些保留的字符，例如{{1} }）;
\读取换行符。

sed - 在模式中包含换行符

3 个答案: