我想删除某些HTML文件中URL中都包含“ legacy /”的某些超链接。但是,其中一些位于同一行
<a href=".../legacy/..."> ... </a>\n
而其他人则没有。如何使用sed一次替换它们?
到目前为止,我已经尝试过
sed -ri 's/(.+legacy\/[[:print:]]+<\/a>.*$)/<!--\1-->/g' wave-on-a-string.html
仅替换一行中的超链接。然后,我意识到sed一次只能读取一行。但是,我找不到如何匹配多(行数)行超链接块的方法。
HTML文件具有如下内容:
<a class="other-sim-page" href="legacy/wave-on-a-string.html" dir="ltr">
<table>
<tr>
<td>
<img style="display: block;" src="../../images/icons/sim-badges/flash-badge.png" alt="Flash Logo" width="44" height="44">
</td>
<td>
<span class="other-sim-link">原始模擬教學與翻譯</span>
</td>
</tr>
</table>
</a>
...
<p>瀏覽<a href="legacy/wave-on-a-string.html#for-teachers-header">更多活動</a>。</p>
...
<a href="legacy/radiating-charge.html" class="simulation-link">
<img class="simulation-list-thumbnail" src="../../sims/radiating-charge/radiating-charge-128.png" id="simulation-display-thumbnail-radiating-charge" alt="Screenshot of the simulation 電荷輻射" width="128" height="84"/><br/>
<strong><span class="simulation-list-title">電荷輻射</span></strong><br/>
<span class="sim-display-badge sim-badge-flash"></span>
</a>
...
,因为它在一行中,所以它仅匹配并替换第二个超链接。
如果所有超链接块(<a href="..."> ... </a>
)跨越多行,我也希望替换它们。
答案 0 :(得分:1)
使用-z
的GNU sed,并使用您在一个文件中一起提供的所有3个输入块作为输入:
$ sed -z '
s:@:@A:g; s:}:@B:g; s:</a>:}:g;
s:<a[^<>]* href="legacy/[^}]*}:<!--&-->:g;
s:}:</a>:g; s:@B:}:g; s:@A:@:g
' file
<!--<a class="other-sim-page" href="legacy/wave-on-a-string.html" dir="ltr">
<table>
<tr>
<td>
<img style="display: block;" src="../../images/icons/sim-badges/flash-badge.png" alt="Flash Logo" width="44" height="44">
</td>
<td>
<span class="other-sim-link">原始模擬教學與翻譯</span>
</td>
</tr>
</table>
</a>-->
...
<p>瀏覽<!--<a href="legacy/wave-on-a-string.html#for-teachers-header">更多活動</a>-->。</p>
...
<!--<a href="legacy/radiating-charge.html" class="simulation-link">
<img class="simulation-list-thumbnail" src="../../sims/radiating-charge/radiating-charge-128.png" id="simulation-display-thumbnail-radiating-charge" alt="Screenshot of the simulation 電荷輻射" width="128" height="84"/><br/>
<strong><span class="simulation-list-title">電荷輻射</span></strong><br/>
<span class="sim-display-badge sim-badge-flash"></span>
</a>-->
通过将所有}
转换为}s
,然后将所有@B
转换为第一行,</a>
变成了字符,之后在输入中无法显示。放入}
中,以便在要替换的字符串的正则表达式中,可以在方括号表达式中将{替换为[^}]
中的char,第二行进行所需的实际替换,第三行恢复所有{ {1} s至}
s,然后</a>
s至@B
s。
操纵输入以创建输入中不存在的char是一个相当常见的sed习惯用法,可以解决无法否定正则表达式中的字符串的问题。参见https://stackoverflow.com/a/35708616/1745001以获得另一个示例的更多说明。
如果输入中的字符串类似于您要匹配的字符串,这当然会失败,但实际上,对于您的特定输入来说可能已经足够了-您只需考虑一下它的功能并检查一下输出以进行验证。
答案 1 :(得分:0)
您没有使用正确的工具来完成此任务。
sed
是使用正则表达式执行查找和替换的好工具,但是正则表达式(基于DFA)无法解析JSON或XML树之类的嵌套结构(因为嵌套深度没有限制) )。因此,我建议使用XML / HTML解析器。
例如,您可以使用XSLT
:
输入:
$ cat webpage.html
<!DOCTYPE html>
<html>
<body>
<h1>My First Heading</h1>
<p>My first paragraph.</p>
<a href="https://www.w3schools.com">Visit W3Schools</a>
<p>My second paragraph.</p>
<a href="legacy/radiating-charge.html" class="simulation-link">
<img class="simulation-list-thumbnail" src="../../sims/radiating-charge/radiating-charge-128.png" id="simulation-display-thumbnail-radiating-charge" alt="Screenshot of the simulation 電荷輻射" width="128" height="84"/><br/>
<strong><span class="simulation-list-title">電荷輻射</span></strong><br/>
<span class="sim-display-badge sim-badge-flash"></span>
</a>
</body>
</html>
样式表:
$ cat remove_legacy.xslt
<?xml version="1.0"?>
<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:output method="html" encoding="UTF-8" omit-xml-declaration="yes"/>
<!-- copy the whole structure recursively -->
<xsl:template match="@*|node()">
<xsl:copy>
<xsl:apply-templates select="@*|node()"/>
</xsl:copy>
</xsl:template>
<!-- when you meet a tag a that contains href -->
<xsl:template match="//a[contains(@href,'legacy')]">
<!-- add comment starting tag -->
<xsl:text disable-output-escaping="yes">
<!--
</xsl:text>
<xsl:copy>
<xsl:apply-templates select="@*|node()"/>
</xsl:copy>
<!-- add comment ending tag -->
<xsl:text disable-output-escaping="yes">
-->
</xsl:text>
</xsl:template>
</xsl:stylesheet>
输出:
$ xsltproc --html remove_legacy.xslt webpage.html
<html>
<body>
<h1>My First Heading</h1>
<p>My first paragraph.</p>
<a href="https://www.w3schools.com">Visit W3Schools</a>
<p>My second paragraph.</p>
<!--
<a href="legacy/radiating-charge.html" class="simulation-link">
<img class="simulation-list-thumbnail" src="../../sims/radiating-charge/radiating-charge-128.png" id="simulation-display-thumbnail-radiating-charge" alt="Screenshot of the simulation 電荷輻射" width="128" height="84"><br>
<strong><span class="simulation-list-title">電荷輻射</span></strong><br>
<span class="sim-display-badge sim-badge-flash"></span>
</a>
-->
</body>
</html>
如您所见,不包含href
的{{1}}没有被注释。
答案 2 :(得分:0)
尝试gnu sed
sed -E '/<a\s+.*href=.*legacy\/.*<\/a>/d; /<a\s+.*href=.*legacy\//,/<\/a>/d' wave-on-a-string.html