[英]Extract Text between HTML tags with sed or grep
我有個問題。 我想使用 sed 或 grep 命令獲取此 html 的兩個部分的值。 我如何提取它們？
測試.html：
<html>
<body>
<div id="foo" class="foo">
Some Text.
<p id="author" class="author">
<br>
<a href="example.com">bar</a>
</p>
</div>
</body>
</html>
腳本.sh
#!/bin/bash
author=$(sed 's/.*<p id="author" class="author"><br><a href="*">\(.*\)<\/a><\/p>.*/\1/p' test.html)
quote=$(sed 's/.*<div id="foo" class="foo">\(.*\)<\/div>.*/\1/p' test.html)
在線下我只想要值中的文本。 沒有html標簽。 但是我的腳本確實有效..
text="$(sed 's:^ *::g' < test.html | tr -d \\n)"
author=$(sed 's:.*<p id="author" class="author"><br><a href="[^"]*">\([^<]*\)<.*:\1:' <<<"$text")
quote=$(sed 's:.*<div id="foo" class="foo">\([^<]*\)<.*:\1:' <<<"$text")
echo "'$author' '$quote'"
$text被分配了一個未縮進的單行表示test.html ； 請注意， :用作sed的定界符而不是/ ，因為任何字符都可以作為定界符，並且我們正在解析的文本存在/ -s，因此我們不必使用\ -s 來轉義它們構建正則表達式。$author假定在<p id="author" class="author"><br><a href="[^"]*"> （其中[^"]*表示 «除"之外的任何字符，重復N 次，N ∈ [0, +∞)») 和接下來出現的任何標簽。$quote假定在<div id="foo" class="foo">和接下來的任何標簽之間。<<<"$text"就是所謂的here-string ，它幾乎等同於echo "$text" | 放在開頭。你可以使用html2text
# cat test.html | html2text
Some Text.
[bar](example.com)
我經常使用 curl
# curl -s http://www.example.com/ | html2text
# Example Domain
This domain is for use in illustrative examples in documents. You may use this
domain in literature without prior coordination or asking for permission.
[More information...](https://www.iana.org/domains/example)
#
您可以使用xmllint來解析 html/xml 文本並為定義的 xpath 提取值。
這是工作示例：
#!/bin/bash
author=$(xmllint --html --xpath '//div[@class="foo"]/text()' test.html | tr -d '\n' | sed -e "s/ //g")
quote=$(xmllint --html --xpath '//a/text()' test.html | sed -e "s/ //g")
echo "Author:'$author'"
echo "Quote:'$quote'"
請不要使用正則表達式來解析 HTML/XML ，而是使用像xidel這樣的專用解析器：
$ xidel -s test.html -e '//p/a,//div/normalize-space(text())'
bar
Some Text.
$ eval $(xidel test.html -se 'author:=//p/a,quote:=//div/normalize-space(text())' --output-format=bash)
$ printf '%s\n' "$author" "$quote"
bar
Some Text.
使用 sed 或 grep 從具有特定 id 的 html 標簽之間提取文本
[英]extract text from between html tags with specific id using sed or grep
使用sed從html文件中提取指定html標記之間的所有鏈接
[英]Extract all the links between specified html tags from an html file with sed
Python：正則表達式以提取html中任意兩個標簽之間的文本
[英]Python: Regular expression to extract text between any two tags in a html
有沒有一種方法可以在DOM中的HTML標簽之間逐字提取文本？
[英]Is there a way to extract text verbatim in between HTML tags in DOM?
聲明:本站的技術帖子網頁，遵循CC BY-SA 4.0協議，如果您需要轉載，請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.