如何用sed匹配和替换多行html文件

Question

我有一个类似这样的文本文件。

<tbody>
            <tr>
                <td>
                    String1
                </td>
                <td>
                    String2
                </td>
                <td>
                    String3
                </td>
                    ...
                    ...
                <td>
                    StringN
                </td>
            </tr>
</tbody>

这是我想要的输出。

<tbody>
            <tr>
                    String1;String2;String3;... ...;StringN
            </tr>
</tbody>

这是我的BUGGY代码。

sed '{
:a
N
$!ba
s|<td.*>\(.*\)</td>|\1|
}'

我想删除所有<td>和</td>标记，并用某个字符串定界所有字符串（我可以稍后将其用作定界符来过滤那些字符串）。 我使用了该URL中给出的解决方案。 输出不符合我的预期。

这是实际的代码

<tbody>
            <tr>
                <td>
                    <a href="/120.52.72.58/80">120.52.72.58:80</a>
                </td>
                <td>
                    HTTP
                </td>
                <td>
                    <span class="text-danger">Transparent</span>
                </td>
                <td>
                    <abbr title="2016-12-15 00:07:46">12h ago</abbr>
                </td>
                <td class="small">
                    <span class="text-muted">&mdash;</span>
                </td>
                <td>
                    <img src="/flags/png/cn.png" alt="China (CN)" title="China (CN)" onerror="this.style.display='none'"> <abbr title="China">CN</abbr>
                </td>
                    <td class="small">
                            Beijing
                    </td>
                    <td class="small">
                            Beijing
                    </td>
                    <td class="small">
                            China Unicom IP network
                    </td>
                <td class="small">
                        <span class="text-muted">&mdash;</span>
                </td>
            </tr>
</tbody>

Answer 1

输出不符合我的预期。

你sed代码不会因为工作<td.*>\\(.*\\)</td>匹配模式空间的从第一部分<td直到最后</td>由于贪婪的*量词。 不幸的是， sed不支持带有不合要求的量词的更现代的正则表达式。 因此，其他一些工具会更合适。

我想删除所有<td>和</td>标记，并用某个字符串分隔所有字符串……

如果这些标记始终（如您的示例中）始终位于单独的行中，则可以使用简单的sed命令进行操作：

sed '/<\/*td.*>/d'

所有的字符串是由一些字符串此后被分隔\\n其次是空间。