Question

我有一个问题在这里，但我是新的堆栈，并以某种方式线程被锁定或删除：Thread

我正在使用一个WordPress数据库，在“post_content”列中有60,000左右的“帖子”我要删除那些<p> html标记以及它们之间的文本。。我的帖子内容如下：

<p style="text-align: left;"><span style="color: #fffff;">
An entire paragraph of text around 200 words
</span></p>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="309" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="250" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="250" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>

p标签将是相同的，每个帖子只发生一次，例外情况是某些帖子可能有所不同的颜色。

预期输出应该是这样的：

[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="309" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="250" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="250" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>

我想删除段落标签中的所有文字。所以我想删除的是文本“200个单词的整个文本段落”这个文本在每个帖子上都不同，但是一个常量是<p>打开和关闭标记。

从我上一个问题这个命令：用户“PS。”

awk '/<p/,/<\/p>/{next} {print $0}' inputfile

在我转储后，在.sql数据库上运行了。但在查看数据库后，文本仍然存在。

任何帮助都会非常感激。

更新：这个问题解决了：Ed Morton

Using GNU awk for multi-char RS this:
awk -v RS='</p>\\s*' -v ORS= '{sub(/<p.*/,"")} 1' file

Answer 1

使用GNU awk进行多字符RS：

awk -v RS='</p>\\s*' -v ORS= '{sub(/<p.*/,"")} 1' file

无论文件中只有1对还是多对<p...</p>，

都会起作用，例如：

$ cat file
<p style="text-align: left;"><span style="color: #fffff;">
First entire paragraph of text around 200 words
</span></p>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="309" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="250" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="250" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
<p style="text-align: left;"><span style="color: #fffff;">
Second entire paragraph of text around 200 words
</span></p>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="309" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="250" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="250" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>

$ awk -v RS='</p>\\s*' -v ORS= '{sub(/<p.*/,"")} 1' file
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="309" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="250" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="250" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="309" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="250" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="250" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>

上述内容显然很脆弱，如果<p可以出现在[Text_between_brackets]中，则可能会失败。您可以在<p...中指定的sub()行越多，它就越脆弱，例如你可以/应该做更多这样的事情：

awk -v RS='</p>\\s*' -v ORS= '{sub(/<p style="text-align: left;"><span style="color: /,"")} 1' file

Answer 2

您可以尝试以下sed命令 -

sed '/<p/,/<\/p/d' kk.txt

需要为</p使用转义字符。

Answer 3

我不会使用awk或sed或perl。正如您所发现的那样，正确管理正则表达式很困难。有一个老笑话：

有些人在面对问题时会思考 “我知道，我会使用正则表达式。”现在他们有两个问题。 - Jamie Zawinski，1997年

我甚至不会转储数据并编辑转储文件。这也很难。

更简单的解决方案是使用MySQL内置的XPath函数直接操作数据库中的每个帖子。我测试了以下解决方案，查询了您的示例帖子内容的一个版本，并删除了<p>标记（以及其中的所有内容）。

mysql> SELECT post_content, 
       UpdateXml(post_content, '/p', '') AS post_content_without_p 
       FROM posts\G

显示内容前后的输出是：

*************************** 1. row ***************************
          post_content: <p style="text-align: left;"><span style="color: #fffff;">
An entire paragraph of text around 200 words
</span></p>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="309" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="250" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="250" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>

post_content_without_p: 
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="309" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="250" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
[Text_between_brackets]
<iframe src="http://somewebsite.com" width="250" height="250" frameborder="0" marginwidth="0" marginheight="0" scrolling="NO"></iframe>
1 row in set (0.00 sec)

UpdateXml()函数是MySQL记录的内置函数的一部分。它需要三个参数：

要读取的列或表达式，应包含XML（HTML是XML的子集）。
要匹配的XML部分的XPath表达式。
替换您匹配的XML的替换字符串。

如果您对查询的效果感到满意，则可以更新表中的内容而无需转储和恢复：

mysql> UPDATE posts SET post_content = UpdateXml(post_content, '/p', '');

在尝试这样的更改之前，请务必进行备份！或者在实验时将数据复制到另一个数据库。

使用awk替换两个字符串或模式之间的文本

3 个答案: