Question

I have multiple html documents and each one has many occurrences of

<a name="pIDsomestring">

where 'somestring' varies with each occurrence.

I want to delete the entire tag, as well as the

</a>

closing HTML tag that immediately follows it, but importantly, not the text inside the anchor tag.

Is there an easy way to do this with sed?

Answer 1

HTML比使用sed解析的要复杂得多。两个HTML可以绝对等效，但就sed命令而言看起来完全不同。例如，你不能真正编写一个sed命令来识别这两个是等价的：

<a name="foo">bar</a>

<A
    NAME = "foo"
    ><!-- </A> --bar</>-- -->

（</>，如果您想知道，在这种情况下意味着</a>。而且，即使是Stack Overflow的语法高亮显示也会被符号弄糊涂。）

上面是一个病态的例子，当然，即使完全普通的现实世界的HTML经常在随机的地方有换行符和其他空格，这些空格对HTML没有影响但对sed命令有很大的影响

但是，如果你只是做一次性的任务，你可以在之后手动验证结果，你可以尝试这样的事情：

's#<a name="[^"]*">\(\([^<]\|<[^/]\|</[^a]\|</a[^>]\)*\)</a>#\1#g'

只要整个事情都在一条线上，它通常会起作用。