grep从HTML提取正则表达式href和rel

Question

我正在处理的html看起来像这样

<a class="title may-blank" data-event-action="title" href="/r/gaming/comments/6t8dj0/we_can_play_singleplayer_games_off_the_internet/" tabindex="1" data-href-url="/r/gaming/comments/6t8dj0/we_can_play_singleplayer_games_off_the_internet/" data-inbound-url="/r/gaming/comments/6t8dj0/we_can_play_singleplayer_games_off_the_internet/?utm_content=title&amp;utm_medium=hot&amp;utm_source=reddit&amp;utm_name=frontpage" rel="">We can play singleplayer games OFF THE INTERNET? Are they seriously that out of touch to advertise this?</a>

这样的多行

我只想要href="http://xxxxxxxx"和rel="">yyyyyyyyyy的引号之间的rel="">yyyyyyyyyy ，其余的都是不必要的。

我希望他们像这样输出，上面的每个块都换一行

<a href="http://xxxxxxxx" rel="">yyyyyyyyyy</a>

知道我该如何解决吗？

Answer 1

因此，这是一个10秒钟的解决方案。 它可能有点脆弱，但是应该假设字符串在名为html.txt的文件中就可以工作

cat html.txt | sed 's/class.*href/href/' | sed 's/data-in.*rel=/rel=/'

Ĵ

Answer 2

您的html示例将我带到以下模式以获取所需的值：

<a class=\"(.*) href=\"/(.*)\" tabindex=(.*) rel=\"\">(.*)</a>

使用以下模式替换匹配项：

<a href="http://$2" rel="">$4</a>

您可以在regexe上为我试用 ，它的工作原理与预期的一样。