从html文件解析单词

Question

我在尝试从html文件中提取单词时遇到了很多麻烦。 html文件中的行如下所示：

<span id="result">WORD</span>

我试图让WORD退出但我无法理解。到目前为止我已经：

 grep 'span id="result"' FILE 

哪个让我上线。我也试过了：

sed -n '/<span id="result">/,/<\/span>/p' FILE

也不起作用。 我知道这可能是一个非常简单的问题，但我刚刚开始，所以我真的可以使用一些帮助。

Answer 1

不要使用正则表达式来解析html。

使用html解析器。

我的Xidel语法最短：

xidel FILE -e "#result"

Answer 2

这是awk的任务 我猜你在同一个文件中有其他行，所以必须搜索span id。

echo "<span id="result">WORD</span>" | awk -F"[<>]" '/span id/ {print $3}'
WORD

Answer 3

你可以尝试

awk -f ext.awk input.html

其中input.html是您的输入html文件，ext.awk是

{
    line=line $0 RS
}

END {
    match (line,/<span id="result">([^<]*)<\/span>/,a)
    print a[1]
}

这将在换行符中提取内容..

Answer 4

使用grep向后引用：

grep -Po '(?<=<span id="result">)\w+'

parenthèses之间的表达是一个向后引用;它没有被捕获但是作为以下正则表达式部分的测试：如果表达式出现，捕获的模式在此处仅为\w+。添加选项-o仅输出单词;选项-P启用了前向和后向引用。

如果您想修改此正则表达式，请注意，对于grep，后向引用必须具有固定大小。