我可以只獲取與Grep匹配的字符串部分嗎

Question

我有一些HTML，我想從使用grep提取URL。 有沒有一種優雅的方法可以做到這一點？ 到目前為止，我正在使用wget將html轉儲到tmp.html文件中。 然后，這就是我正在做的：

awk '/<a href=/,/<\/a\>/' tmp.html | grep -v "sha1|md5" |grep -E "*.rpm?" | tail -1

給定以下字符串類型的列表，我只想提取列表上的最后一個.rpm URL。

<td><a href="http://maven-whatever:8081/nexus/content/repositories/snapshots/com/whatever/whatever/adv-svcs/something/0.0.1-SNAPSHOT/something-0.0.1-20150227.161014-81-sles11_64.rpm">something-0.0.1-20150227.161014-81-sles11_64.rpm</a></td>

Answer 1

為第三個arg使用GNU awk match（）並給出以下輸入文件：

$ cat file
<td><a href="http://maven-whatever:8081/nexus/content/repositories/snapshots/com/whatever/whatever/adv-svcs/something/0.0.1-SNAPSHOT/something-0.0.1-20150227.161014-81-sles11_64.rpm">something-0.0.1-20150227.161014-81-sles11_64.rpm</a></td>

這可能是您想要的：

$ cat tst.awk         
match($0,/<a href=.*>(.*\.rpm)<\/a\>/,a) && !/sha1|md5/ {url=a[1]} END{print url}

$ gawk -f tst.awk file
something-0.0.1-20150227.161014-81-sles11_64.rpm

或這個：

$ cat tst.awk
match($0,/<a href="([^"]+\.rpm)".*<\/a\>/,a) && !/sha1|md5/ {url=a[1]} END{print url}

$ gawk -f tst.awk file
http://maven-whatever:8081/nexus/content/repositories/snapshots/com/whatever/whatever/adv-svcs/something/0.0.1-SNAPSHOT/something-0.0.1-20150227.161014-81-sles11_64.rpm

但沒有更多示例輸入和預期輸出，這只是一個猜測。

Answer 2

-o選項使grep僅輸出匹配項，而不打印匹配的完整行。 如果一行中有多個匹配項，則將全部打印。

*.rpm? 不是正則表達式。 如果您想使比賽有意義，則需要非常精確。 可能像

grep -o '"[^"]*.rpm"'

會給你更多的還是少了什么，你正在尋找（但它將輸出報價為好，且不會涉及%的URL -escapes。

使用awk可能會做得更好，因為無論如何都在使用它。

用正則表達式解析HTML永遠不會像使用真正的HTML解析器那樣健壯或容易，就像在這里經常觀察到的那樣 。