使用 bash 脚本遍历包含域的文本文件

Question

我写了一个脚本来读取网页的 href 标签并获取该网页上的链接并将它们写入文本文件。 现在我有一个包含链接的文本文件，例如：

http://news.bbc.co.uk/2/hi/health/default.stm
http://news.bbc.co.uk/weather/
http://news.bbc.co.uk/weather/forecast/8?area=London
http://newsvote.bbc.co.uk/1/shared/fds/hi/business/market_data/overview/default.stm
http://purl.org/dc/terms/
http://static.bbci.co.uk/bbcdotcom/0.3.131/style/3pt_ads.css
http://static.bbci.co.uk/frameworks/barlesque/2.8.7/desktop/3.5/style/main.css
http://static.bbci.co.uk/frameworks/pulsesurvey/0.7.0/style/pulse.css
http://static.bbci.co.uk/wwhomepage-3.5/1.0.48/css/bundles/ie6.css
http://static.bbci.co.uk/wwhomepage-3.5/1.0.48/css/bundles/ie7.css
http://static.bbci.co.uk/wwhomepage-3.5/1.0.48/css/bundles/ie8.css
http://static.bbci.co.uk/wwhomepage-3.5/1.0.48/css/bundles/main.css
http://static.bbci.co.uk/wwhomepage-3.5/1.0.48/img/iphone.png
http://www.bbcamerica.com/
http://www.bbc.com/future
http://www.bbc.com/future/
http://www.bbc.com/future/story/20120719-how-to-land-on-mars
http://www.bbc.com/future/story/20120719-road-opens-for-connected-cars
http://www.bbc.com/future/story/20120724-in-search-of-aliens
http://www.bbc.com/news/

我希望能够过滤它们，以便返回如下内容：

http://www.bbc.com : 6
http://static.bbci.co.uk: 15

旁边的值表示域在文件中出现的次数。 考虑到我会有一个循环遍历文件，我怎样才能在 bash 中实现这一点。 我是 bash shell 脚本的新手？

Answer 1

$ cut -d/ -f-3 urls.txt | sort | uniq -c                  
3 http://news.bbc.co.uk
1 http://newsvote.bbc.co.uk
1 http://purl.org
8 http://static.bbci.co.uk
1 http://www.bbcamerica.com
6 http://www.bbc.com

Answer 2

像这样

egrep -o '^http://[^/]+' domain.txt | sort | uniq -c

在您的示例数据上输出：

3 http://news.bbc.co.uk/
1 http://newsvote.bbc.co.uk/
1 http://purl.org/
8 http://static.bbci.co.uk/
6 http://www.bbc.com/
1 http://www.bbcamerica.com/

即使您的行由没有尾部斜杠的简单 url 组成，此解决方案也有效，所以

http://www.bbc.com/news
http://www.bbc.com/
http://www.bbc.com

都将在同一组中。

如果你想允许https，那么你可以这样写：

egrep -o '^https?://[^/]+' domain.txt | sort | uniq -c

如果可以使用其他协议，例如 ftp、mailto 等，您甚至可以非常宽松地编写：

egrep -o '^[^:]+://[^/]+' domain.txt | sort | uniq -c