Question

我希望获得扩展.rdf.gz的字符串，例如uniprot.rdf.gz和uniref.rdf.gz。

我的尝试：

grep 'href="rdf\/uni*\.rdf*\.gz"'

但我无法得到任何东西。

$ echo $site
ftp://ftp.uniprot.org/pub/databases/uniprot/current_release/rdf
$ curl -s $site | grep 'href="rdf\/uni*\.rdf*\.gz"'

Answer 1

你的ftp路径需要一个尾部斜杠（否则你没有输出），你应该使用--list-only切换到curl，这会让你的生活变得更轻松：

-l， - list-only

         (FTP)  When  listing  an  FTP directory,
         this switch forces a name-only view.

最重要的是，由于您使用ftp进行连接，因此输出中也不会有任何href - 只是您可以轻松地{{1}所述目录的文件名在...上：

grep

Answer 2

目前还不清楚为什么你认为你的正则表达式会匹配。试试这个。

curl -s "$site" | grep 'href="rdf/uni[^"]*\.rdf\.gz"'

在正则表达式中，[^a]指定“a以外的任何字符，*是后缀运算符，指定”前一个表达式重复零次或多次“。

所以[^"]*匹配任何长度的子字符串，其中包含不是"的字符。并且您尝试的正则表达式指定了href=rdf/un（使用多余的反斜杠来转义/并且不需要转义），然后重复i次零，后跟.rd，然后是f的零次或多次重复，然后是.gz。

还要注意变量插值"$site"周围的双引号。在shell脚本中，您通常希望允许变量包含shell元字符，并使用双引号进行插值，除非您特别希望shell对这些元字符进行操作。

如果您只想在双引号中提取匹配的表达式，请尝试使用sed。

curl -s "$site" | sed -n 's%.*href="rdf/uni\([^"]*\.rdf.gz\)".*%\1%p'

如果一条线上有很多匹配项，则只会找到第一个href=。如果这是一个问题，也许您应该使用适当的HTML解析器进行HTML操作。