sed命令处理输入流，并用<em>标记替换所有HTML <i>标记

Question

我正打算用sed命令编写一个正则表达式来处理输入流，并用标记替换所有HTML标记，例如：

This is <i id="x">emphasized text</i> and <i>so is this</i>.

将替换为

This is <em id="x">emphasized text</em> and <em>so is this</em>.

我尝试了以下方法：

sed -r 's/<\/?i[^>]*> / <\/?em[^>]*>/ /g'

有人会建议如何写吗？

Answer 1

您应该使用更合适的工具； HTML不是常规语言，因此shouldn't be parsed with regular expressions和sed是基于行的工具，而HTML中的换行符却被忽略。

如果您确定可以忽略这一点（您的HTML是最标准的，就不会有定义定义在多行中的标记，等等），请使用以下GNU sed命令可能对您有用：

sed -E 's@<(/?)i\b@<\1em@g'

我们使用-E RE正则表达式而不是默认的BRE风格，以便能够使用\b“ word-boundary”元字符，以确保i不跟在后面其他字母（不想匹配<img，<input或<iframe标签）；对于较旧的GNU -r版本，请使用sed。

通过将可选的</i捕获到我们在替换模式中引用的捕获组中，我们可以一次替换<i和/。匹配<i时，由于捕获组为空，替换将为<em，而匹配</i时，替换将为</em。

为了避免不得不在模式中转义@，我使用/作为搜索/替换命令的分隔符，而不是通常的/。

否则，如果要解析XHTML，则应该研究HTML甚至XML解析器。