☰

从特定的数据中提取数值阻止网页中的

tag-icon • tag-icon text-processing awk sed grep
从特定的数据中提取数值阻止网页中的

客观的：使用curl从远程服务器上某个div块中嵌入的一系列span块中提取数值

我需要从状态页面中提取一些数字，并确定保存这些数字的 div 块。

格式如下；

<div class="stats-values"><img src="some-image-name.jpg"><span>[numeric]</span> <img src="some-image-name.jpg"><span>[numeric]</span></div>

来源全部在一行中。这个特定的 div 块仅出现一次，并且可以通过类名轻松识别，但可能包含多达 6 或 7 个 span 块，这正是我所追求的；这些跨度块没有 ID 或类。

我对装饰图像不感兴趣，只对跨度块内的数字感兴趣，我想输出逗号或空格分隔的数字。

我想象它应该是这样的：

curl http://webpage.example.com/status | grep "<div class=\"stats-values\">.*</div>" | grep "<span>.*</span>"

我尝试了一些在杂项搜索中出现的例子。论坛，但到目前为止还没有结果。

我希望能得到有关结构和语法的指针，无论是 grep、sed 还是 awk。

答案1

curl http://webpage.example.com/status             |\
    grep -oP '<div class="stats-values">.*?</div>' |\
    grep -oP '(?<=<span>)\[.*?\](?=</span>)'

首先grep提取相关<div ...></div>块；
第二步grep提取内部块内的数字部分<span>[...]</span>。

(?<=pattern)PCRE 是 GNU 的正向后向扩展，grep我们启用它与 switch 一起使用-P。
(?=pattern)是 PCRE 正向前瞻扩展。

这(?<=<span>)\[.*?\](?=</span>)意味着我们的模式[nuerical]完全在这两个模式之内；这些是不包含在输出中的，并且只会返回匹配和找到的内部模式。

.*是贪婪匹配（最长可能的匹配）；.*?是非贪婪的（最短的可能匹配）

相关内容