如何<a>从 html 文件中找出所有标签链接和名称</a>

Question

这是一个测试文件，在<a></a>标签中包含链接和名称。

/tmp/test_html.txt

<tr>
<td><a href="http://www.example.com/link1">example link 1</a></td>
</tr>
<tr>
<td><a href="http://www.example.com/link2">example link 2</a></td>
</tr>
<tr>
<td><a href="http://www.example.com/link3">example link 3</a></td>
</tr>
<tr>
<td><a href="https://www.example.com/4/0/1/40116601-1FDC-real-world-link/bar" target="_blank" class="real-world-class">Real World Link</a>&nbsp;</td>
</tr>

以下命令可以从文件中找出所有链接，但不能将link和name一起打印出来：

如何在Bash或grep或批处理中去除HTML文件的所有链接并将它们存储在文本文件中

# sed -n 's/.*href="\([^"]*\).*/\1/p' /tmp/test_html.txt

我希望该命令可以all links line by line首先是name ，然后是href 。

这是预期的 output：

# sed <...command....> /tmp/test_html.txt

example link 1 | http://www.example.com/link1
example link 2 | http://www.example.com/link2
example link 3 | http://www.example.com/link3
Real World Link | https://www.example.com/4/0/1/40116601-1FDC-real-world-link/bar

sed命令怎么写？

Answer 1

这可能对你有用（GNU sed）：

sed -En 's/.*href="([^"]*)"[^>]*>([^<]*)<.*/\2 | \1/p' file

使用-n选项过滤行，使用-E选项使正则表达式更容易。

匹配包含href后跟内部文本的行，并使用反向引用根据需要设置格式。

Answer 2

这个解决方案似乎有效； 请标记为正确或发表评论以解释不正确的原因； 谢谢！

cat input3 | sed -n 's/^.*<a href="\(.*\)">example link\( [0-9][0-9]*\)<\/a><\/td>$/example link\2 | \1/p'