Question

我有一个HTML文件，想要在<li>和</li>代码之间提取文字。当然有一百万种方法可以做到这一点，但我认为在简单的shell命令中更多地养成这样做的习惯会很有用：

awk '/<li[^>]+><a[^>]+>([^>]+)<\/a>/m' cities.html

问题是，这打印所有而我只是想在括号中打印匹配 - ([^>]+) - 要么awk不支持，要么我不称职。后者似乎更有可能。如果要将提供的正则表达式应用于文件并仅提取指定的匹配项，您将如何进行？我已经知道了其他六种方式，但我不想让awk赢得这一轮;）

编辑：数据结构不合理，因此使用位置匹配（$1, $2, etc.）是不行的。

Answer 1

如果你想在一般情况下这样做，你的列表标签可以包含任何合法的HTML标记，那么awk是错误的工具。这项工作的正确工具将是一个HTML解析器，您可以信任该解析器以获得HTML解析的所有细节，包括HTML和格式错误的HTML的变体。

如果您针对特殊情况执行此操作，您可以在其中控制HTML格式，那么您可以使awk为您工作。例如，假设您可以保证每个列表元素永远不会占用多行，始终在同一行上以</li>终止，从不包含任何标记（例如包含列表的列表），然后您可以使用awk来执行此操作，但是您需要编写一个完整的awk程序，该程序首先查找包含列表元素的行，然后使用其他awk命令来查找您感兴趣的子字符串英寸

但总的来说，awk是这项工作的错误工具。

Answer 2

gawk -F'<li>' -v RS='</li>' 'RT{print $NF}' file

对我来说工作得很好。

Answer 3

我看到了几个问题：

该模式具有尾随'm'，这对于Perl中的多行匹配很重要，但是Awk不使用与Perl兼容的正则表达式。（至少，标准（非GNU）awk没有。）
忽略这一点，该模式似乎会搜索“开始列表项”，然后搜索“<a>”到“</a>”，而不是结束列表项。
您搜索任何非>'作为锚点主体的内容;这不是自动错误，但搜索任何不是“<”或任何不是“$1”的内容可能更为常见。
Awk不进行多行搜索。
在Awk中，“nawk”表示第一个字段，其中字段由字段分隔符分隔，默认为空格。
在经典sed & awk中（如1991年'{{1}}'书中所记载的那样）没有适当的机制来从匹配等中提取子字段。

目前尚不清楚Awk是否适合这项工作。实际上，正则表达式是这项工作的正确工具并不完全清楚。

Answer 4

真的不知道awk，Perl怎么样？

tr -d '\012' the.html | perl \
-e '$text = <>;' -e 'while ( length( $text) > 0)' \
-e '{ $text =~ /<li>(.*?)<\/li>(.*)/; $target = $1; $text = $2; print "$target\n" }'

1）从文件中删除换行符，穿过perl

2）使用完整文本初始化变量，开始循环直到文本消失

3）对列表项标签所限定的内容进行“非贪婪”匹配，保存并打印目标，设置为下一遍

有意义吗？（警告，我自己没试过这个代码，需要很快回家......）

P.S。 - “perl -n”是awk（nawk？）模式。 Perl在很大程度上是Awk的超集，所以我从不费心去学习Awk。

Answer 5

通过您的脚本，如果您可以得到您想要的内容（这意味着<li>和<a>标记在一行中。）;

$ cat test.html | awk 'sub(/<li[^>]*><a[^>]*>/,"")&&sub(/<\/a>.*/,"")'

或

$ cat test.html | gawk '/<li[^>]*><a[^>]*>(.*?)<\/a>.*/&&$0=gensub(/<li[^>]*><a[^>]*>(.*?)<\/a>.*/,"\\1", 1)'

第一个用于每个awk，第二个用于gnu awk。

awk / etc。：从文件中提取匹配项

5 个答案: