Question

我正在尝试获取一个命令，根据xml文件中的标记数量提取多个字符串。我有这样的文件结构：

<task id="0">
some stuff
</task>

<task id="1">
some other stuff
</task>

如何获得开始和结束标记之间的所有文本？我尝试过awk和sed但没有成功。
我是否可以根据<task>标签的数量创建多个字符串？我的意思是，当我以id =“0”开始时，它会以正确的</task>标记还是文件中的最后一个标记结束？

Answer 1

我建议不要使用面向行的工具来处理xml内容，例如grep / sed / awk等.Xml 不是面向行的格式;因此，当文本表示时，跨行的xml元素的特定分布是偶然的。（您可以将您的示例写在一行中，但仍然是同样正确的xml格式。）

我建议在shell脚本中解析格式良好的 xml内容是xmlstarlet工具。它是一种瑞士军刀，用于以可编写脚本的方式处理xml。

首先，确保您的xml内容为well formed。以下是包含示例数据的格式良好的xml：

<?xml version="1.0" encoding="UTF-8"?>
<tasks>
<task id="0">some stuff</task>
<task id="1">some other stuff</task>
<task id="2">yet another stuff</task>
</tasks>

（可以使用xmlstarlet val检查＆＃34;格式良好＆＃34; xml文件。）

要从xml中提取内容，请使用xmlstarlet sel。此工具需要XPath表达式，用于过滤必须选择的内容。（在大多数情况下，xmlstarlet sel和Xpath适用于xml grep和正则表达式适用于面向行的内容。）

使用保存在文件tasks.xml中的上述xml示例的示例：

提取所有任务的内容

$ xmlstarlet sel -T -t -m '/tasks/task' -v '.' -n tasks.xml 
some stuff
some other stuff
yet another stuff

获取所有任务ID

$ xmlstarlet sel -T -t -m '/tasks/task' -v '@id' -n tasks.xml 
0
1
2

提取任务0的内容

$ xmlstarlet sel -T -t -m '/tasks/task[@id="0"]' -v '.' -n tasks.xml 
some stuff

提取id大于或等于1

的所有任务的内容

$ xmlstarlet sel -T -t -m '/tasks/task[@id>="1"]' -v '.' -n tasks.xml
some other stuff
yet another stuff

天真转换为cvs格式

$ xmlstarlet sel -T -t -m '/tasks/task' -v '@id' -o ',' -v '.' -n tasks.xml 
0,some stuff
1,some other stuff
2,yet another stuff

Answer 2

在GNU sed上：

sed -n '/<task id=/{n;:a;p;n;/<\/task>/!ba;s/.*/---/p;}' filename

将输出：

some stuff
---
some other stuff
---

这将搜索文件中的每个<task id=并迭代直到下一个</task>。 s/.*/---/p;部分将结束标记转换为分隔符，您可以将其删除并连接所有字符串。

Answer 3

我为这样的事情做了HTML/XML pattern matcher。

例如，您可以执行第一项任务：

$ xidel /tmp/xxx.xml -e '<task id="0">{.}</task>'
some stuff

或者对于所有任务：

$ xidel /tmp/xxx.xml -e '<task>{.}</task>+'
some stuff
some other stuff

虽然在你的情况下只有一个元素，但使用XPath更简单：

获得第一项任务：

$ xidel /tmp/xxx.xml -e //task[@id=0]
some stuff

获取所有任务内容：

$ xidel /tmp/xxx.xml -e //task
some stuff
some other stuff

Answer 4

这可以通过很多方式完成。在我看来，最简单的方法是awk。把它放在一个名为task.awk的文件中：

BEGIN{x=0;}
/^<\/task>/{x=0;}
{if(x==1)print $0;}
/^<task [^>]*>/{x=1;}

然后，如果你的xml在task.xml中，你可以：

awk -f task.awk < task.xml

工作原理：

在开头将旗帜设为false。
然后首先检查我们是否应将其关闭，因为它是一个关闭标签
- 首先执行此操作可防止打印关闭标记
然后，只有在标志位于
最后检查是否应该打开它，因为它是一个开放标记
- 最后这样做会阻止打开标签

Answer 5

将此文件作为/tmp/data.xml中的来源：

<task id="0">
some1 stuff for id 0
some2 stuff for id 0
</task>

<task id="1">
some1 stuff for id 1
some2 stuff for id 1
</task>

此代码：

awk '
/<task id=/{tag_data=$0} 
/<\/task>/{tag_data=tag_data $0 " "; print tag_data} 
{tag_data=tag_data $0 " "}' < /tmp/data

产生所需的结果：

<task id="0"><task id="0"> some1 stuff for id 0 some2 stuff for id 0 </task> 
<task id="1"><task id="1"> some1 stuff for id 1 some2 stuff for id 1 </task>

它执行以下操作：它搜索第一个开始标记，并开始在变量tag_data中累积数据，直到它包含closinig标记。在结束标记处，您可以在tag_data变量中的开始和结束标记之间获得所有需要的数据。您可以轻松修改代码以不存储标记，甚至可以将id解析并存储在单独的变量中。

Bash提取某些标记之间的所有行

5 个答案: