Question

我正在使用此命令行从包含各种其他标签，链接等的html文件中获取特定行：

cat index.html | grep -m1 -oE '<a href="(.*?)" rel="sample"[\S\s]*.*</dd>'

输出我想要的行：

<a href="http://example.com/something/one/" rel="sample" >Foo</a> <a href="http://example.com/something/two/" rel="sample" >Bar</a></dd>

但我想只捕获something/two（最后网址的路径），考虑到：

事先不知道网址（它是处理多个html文件的脚本）
该行有时只能包含1个URL，例如
```
<a href="http://example.com/something/one/" rel="sample" >Foo</a></dd>
```
在这种情况下，我希望只获得something/one，因为在这种情况下它是最后一个。

我该怎么做？

Answer 1

添加

| grep -o 'href="[^"]*' | tail -n1

第一部分仅提取href s，第二部分仅保留最后一行。

如果您只想提取路径，可以使用cut并将分隔符设置为/，并从第四列开始提取所有内容：

| grep -o 'href="[^"]*' | tail -n1 | cut -f4- -d/

，因为

href="http://example.com/something/two/
1          23            4         5

Answer 2

如果你可以使用perl，那么在正则表达式中捕获会使这更容易。

 perl -ne 'm(.*<a href="[^:]+://[^/]*/(.*?)" rel="sample".*</dd>) and print "$1\n";'

正则表达式基本上与grep一样。我使用了m()代替//来避免在正则表达式中转义/。

最初的.*会贪婪地捕捉到行尾的所有内容。如果一行上有多个链接，它将捕获除最后一个之外的所有链接。这也适用于grep，但它会导致grep -o输出行的开头，因为它现在匹配正则表达式。

这与捕获括号无关，因为只捕获并打印(.*?)内的部分。

它将以与grep相同的方式使用。

cat index.html | perl -ne 'm(.*<a href="[^:]+://[^/]*/(.*?)" rel="sample".*</dd>) and print "$1\n";'

or

perl -ne 'm(.*<a href="[^:]+://[^/]*/(.*?)" rel="sample".*</dd>) and print "$1\n";' index.html

Answer 3

在Linux上，GNU grep的{{1}}选项可以提供简洁的解决方案：

-P

$ grep -oP '.*<a href="http://.+?/\K[^"]+(?=/"\s*rel="sample".*</dd>$)' index.html something/two仅输出匹配的每一行的匹配部分。

-o激活对PRCEs (Perl-compatible Regular Expressions)的支持，{{3}}支持高级正则表达式构造，例如非贪婪匹配（-P），删除到目前为止匹配的所有内容（*?），以及预见断言（\K）。

(?=...和\K的组合允许将正则表达式的匹配部分约束到感兴趣的子表达式。
请注意， no (?=...)实现支持捕获组，但由于grep启用的功能，上述内容是提取单个的模拟捕获组值。

至于您尝试的内容：

-P将匹配的行的数量限制为1，但如果-m1也存在，则多个匹配 on <1> 仍然全部打印。
- 此外，虽然您可以将-o用于优先级，但这并不构成(...)中的捕获组，因为它有不支持在grep 中提取捕获组值。
即使grep支持扩展正则表达式支持，非贪婪匹配（-E）等高级构造也不支持

如何匹配单个行字符串上最后一次出现的模式

3 个答案: