Question

我编写了一个正则表达式代码，用于从html文件中提取锚标记并获得此输出。

mdlinks.txt
    <a href='/aspnet/aspnet_refhtmlcontrols.asp'>ASP.NET Reference</a>
    <a href='/aspnet/webpages_ref_classes.asp'>Razor Reference</a>
    <a href='/html/html_examples.asp'>HTML Examples</a>
    <a href='/css/css_examples.asp'>CSS Examples</a>
    <a href='/w3css/w3css_examples.asp'>W3.CSS Examples</a>
    <a href="/js/js_examples.asp" target="_top">JavaScript Examples</a>
    <a href="/js/js_dom_examples.asp" target="_top">HTML DOM Examples</a>

我必须将输出表示为

＆＃34;要显示的文字＆＃34;使用sed工具。

    <a[\s]href=('|")([^>]+)">((?:.(?!\<\/a\>))*.)<\/a>

这是我的正则表达式，它捕获文本和href链接。

这是我写的sed命令

sed -E "s/\"<a[\s]href=('|\")([^>]+)\">((?:.(?!\<\/a\>))*.)<\/a>\"/\[\2\] \(\1\)/" mdlinks.txt

但这给了我错误。有人可以帮帮我吗？

Answer 1

使用面向行的工具解析html通常会失败。鉴于您的简单布局，您可以尝试

tr -s "<" ">" < mdlinks.txt | cut -d">" -f3

Answer 2

这不是正则表达式（或任何其他字符串操作工具）的工作。您需要能够解析html的工具。使用xsltproc的示例：

1）安装xsltproc包（如果需要）

2）编写此xsl文件，描述如何转换html输入：stylesheet.xsl

<?xml version="1.0" encoding="UTF-8"?>
<xsl:stylesheet version= "1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
    <xsl:output method="text" encoding="UTF-8"/>
    <xsl:template match="//a">[<xsl:value-of select="text()"/>] (<xsl:value-of select="@href"/>)</xsl:template>
</xsl:stylesheet>

3）将原始文件或原始html内容放在变量中（让我们说＆＃34; CONTENT＆＃34;），但不是mdlinks.txt（此步骤无用且在html内容中使用greping链接容易出错，浪费时间（至少5个小时））并写道：

xsltproc --html --novalid stylesheet.xsl <(echo "$CONTENT")

您获得：

[Google.com] (http://google.com)
[An Example] (http://example.com/files.html)
[File #23] (file23.html)
[See my picture!] (images/mypic.png)
[Email Joel] (mailto:joelross@uw.edu)

链接：http://scott.dd.com.au/wiki/XSLT_Tutorial

如何解决这个sed语法问题

2 个答案: