sed正则表达式删除特殊字符

Question

我有一个文件，其中包含来自 HTML 格式的文本的几个字符串，因此它们中的一些 HTML 序列在控制台界面中看起来不太好。以下是一个例子：

Text1™
[Text®2]
Text:3

我正在尝试删除 & 和 ; 之间的所有内容，以便文本再次可读，如下所示：

Text1
Text2
Text3

我实际上正在尝试使用 sed 删除多余的字符：

sed 's#&*;##g' <file>

问题是它只从文本字符串中删除了 ;。

接下来的问题是，应如何编码正则表达式以删除多余的链：&#[1-9]+;

Answer 1

你的正则表达式

sed 's#&*;##g' <file>

并没有像你想象的那样。*字符是一个乘数，表示前一个字符重复 0 次或更多次。前一个字符是&，因此这将匹配例如&&&;和;（&在之前写了 0 次;！这是测试用例中匹配的内容），但在本例中不是你想要的。

您需要指定“任何字符”，位于乘数之前，用一个点表示.。

$ echo 'Text:3' | sed 's#&.*;##g'
Text3

---

这是第一个问题。第二个是所谓的“贪婪”匹配的概念：sed将看到第一个&，然后尝试匹配它能匹配的最大字符串。如果一行中有多个 HTML 实体，这将是一个问题，因为：

$ echo 'Text:3 and some more text å and end' | sed 's#&.*;##g'
Text and end

如果要在sed上下文中查看修复，可以通过匹配任意数量的“不是 ;“在结束之前;执行以下操作：

$ echo 'Text:3 and some more text å and end' | sed 's#&[^;]*;##g'
Text3 and some more text  and end

---

&您仍然会遇到在文本中合法使用与符号 ( ) 的问题（嗯，&这是真正的“合法”用法，但现实世界并不总是像理想世界那样可解析）以及匹配过多的问题，但这解释了为什么sed会出现这样的行为。

Answer 2

用实际的字符替换代码不是更好吗？

echo 'Text1™
[Text®2]
Text:3' | perl -C -pe 's/&#([^;]*)/chr$1/eg'

输出：

Text1™;
[;Text®;2];
Text:;3