sed（正則表達式）無法正常工作

Question

我必須從以下一段 HTML 代碼中分離出一個表達式：

<div class="summary">
                <h3><a href="/questions/30727515/why-is-executing-java-code-in-comments-allowed" class="question-hyperlink" title="The following code produces the output &quot;Hello World!&quot;. (No really, try it) public static void main(String... args) { // The comment below is no typo. // \u000d System.out.println(&quot;Hello ...">Why is executing Java code in comments allowed?</a></h3>
    <div class="tags t-java t-unicode">
        <a href="/questions/tagged/java" class="post-tag" title="show questions tagged &#39;java&#39;" rel="tag">java</a> <a href="/questions/tagged/unicode" class="post-tag" title="show questions tagged &#39;unicode&#39;" rel="tag">unicode</a> 
    </div>
    <div class="started">
        <a href="/questions/30727515/why-is-executing-java-code-in-comments-allowed/?lastactivity" class="started-link">modified <span title="2015-06-15 17:43:58Z" class="relativetime">yesterday</span></a>
        <a href="/users/388520/zwol">zwol</a> <span class="reputation-score" title="reputation score 52560" dir="ltr">52.6k</span>
    </div>
</div>

我想要的部分從 .... 'title="下面的代碼產生輸出 ..... 在允許的注釋中執行 Java 代碼嗎？ 一直到 'a' 和 'h3' 標簽的結尾。

由於各種原因，我只能使用 sed 或 awk。

我嘗試了各種正則表達式。 由於所需部分有時甚至可能跨越多行，我使用了以下 sed 命令：（因為 .* 僅匹配換行符）

    sed -n '1h;1!H;${;g;s/.*<h3><a href="\/questions\/.*link" title="\(.*\)<\/a><\/h3>.*/\1/p;}' Trial.html        

我沒有得到任何結果。 但是，如果我刪除結束部分：

    sed -n '1h;1!H;${;g;s/.*<h3><a href="\/questions\/.*link" title="\(.*\)/\1/p;}' Trial.html

我能夠捕捉到所需字符串的開頭並打印到最后。

我也提到了這個 serverfault.com 問題，尋求幫助： https : //serverfault.com/questions/315145/regex-for-sed-to-grab-multiple-lines-or-a-better-way

編輯：

也可能有其他類似的塊。 我不必停留在第一個結果上。 我已經從這個頁面獲取了 html： https : //stackoverflow.com/?tab=month

這是另一個與我非常相似的問題！ https://unix.stackexchange.com/questions/64645/text-between-two-tags

Answer 1

你的線路

sed -n '1h;1!H;${;g;s/.*<h3><a href="\/questions\/.*link" title="\(\.*\)<\/a><\/h3>.*/\1/p;}' Trial.html  

該行將所有內容放在保持空間中，然后在讀取文件后將其交換到模式空間以用於多行解析。

修改想法，而不是分組 \\(\\.*\\) 順便說一下，這是不正確的，因為你已經在這里轉義了 '.' 所以它不是任何字符，而是文字 '.'
您可以使用 title="\\([^<]*\\) 它將捕獲所有字符，直到第一個 '<'。

此外，如果 title=" 在文件中只出現一次，那么模式的第一部分不需要很多字母，只有 ^.*title=" 就足夠了。