Question

我在HTML中看起来像这样的页面分页：

<span class="nav">Go to <b>1</b>, <a href="page-2.html">2</a>, <a href="page-3.html">3</a>, <a href="page-4.html">4</a>, <a href="page-5.html">5</a>&nbsp;&nbsp;<a href="page-2.html">Next</a></span>

我想得的是最后一页的编号（在本例中为“5”）。我怎么能在Bash中做到这一点？谢谢你的帮助。

Answer 1

作为一种解决方案，仅考虑作为与<span class="nav">内部链接相关联的文本的数字（假设in.html为输入文件）：

xmllint --html --xmlout - <in.html \
| xmlstarlet sel -t -m '//span[@class="nav"]//a' -v 'text()' -n \
| egrep '^[[:digit:]]+$' \
| sort -n \
| tail -n 1

这使用xmllint（包含在现代Linux发行版中）将您的HTML转换为XML，XMLStarlet（并非总是包含在内，但generally packaged {{3} } for common）搜索该XML。

Answer 2

如果文本中只有数字页面只有数字，那么你可以像下面这样做

egrep '[0-9]+' -o | sort -r -n | head -1

它将匹配文本中的数字，而不是对其进行排序并取第一个（最高）。您可以根据需要修改正则表达式，以便更具体。使用BeautifulSoup4在python中可以实现更好的方法，您可以像在jQuery中一样遍历DOM。

编辑将-n添加到命令（+1 @CharlesDuffy）

Answer 3

这假设HTML始终符合您的输入：

sed 's/page-/\n/g' | sort -n | tail -1 | sed 's/.html.*//'

（sed 's/page-/\n/g'在页码前面添加一个换行符。sort -n按数字排序;不以页码开头的行排在最前面。tail -1选择一行最高页码和sed 's/.html.*//'剥离所有非页面编号的东西）

从HTML获取最后一页编号

3 个答案: