☰

如何从文本文件中提取 XML

tag-icon • tag-icon shell sed awk grep
如何从文本文件中提取 XML

我有一个如下的文本文件。

1001=<?xml ns=dkfj><home><taga>dkjf</taga></home>1002=<?xml ns=dkfj><home1><taga>dkjf</taga></home1>

我需要如下结果。

 <?xml ns=dkfj><home><taga>dkjf</taga></home>

 <?xml ns=dkfj><home1><taga>dkjf</taga></home1>

我尝试过sed，开始和结束模式，但它不起作用，因为两者都在同一行。

我该怎么做？

答案1

原来的问题将由
cat test.xml | tr "<" "\n" | sed -n '/taga>./p' | sed 's/taga>//'
第二个解决，当前的问题将由
cat test.xml | sed 's/[0-9][0-9][0-9][0-9]=/\n/g'

它会查找四个数字后跟 = 符号的出现，因此如果您在实际字符串的其他位置可能有这些类型的字符，它将无法工作，但现在看起来不是这样

答案2

查看您的代码片段，您似乎已经获得了由“number=”分隔的 XML。所以用 split 来提取：

#!/usr/bin/env perl
use strict;
use warnings;

use Data::Dumper;

local $/;
my @xml_chunks = split ( /\d+\=/, <> );
print Dumper \@xml_chunks;

当然，您可能应该注意 - 您的 XML ...不是。该声明无效。不过，我假设这是一个换位错误。但它应该是这样的：

<?xml version="1.0" encoding="utf-8"?>

因此，对于您的示例数据，这将合理地近似修复 XML（当然假设它无效）。

#!/usr/bin/env perl
use strict;
use warnings;
use XML::Twig;
use Data::Dumper;

local $/;
my @xml_chunks = split( /\d+\=/, <DATA> );
print Dumper \@xml_chunks;

foreach my $chunk ( grep {/xml/} @xml_chunks ) {
    $chunk =~ s/^<[^>]+>//;
    my $twig = XML::Twig->new( pretty_print => 'indented_a' );
    $twig->parse($chunk);
    $twig->set_encoding('utf-8');
    $twig->set_xml_version('1.0');
    $twig->root->set_att( 'xmlns', 'http://www.some_ns.com' );
    $twig->print;
}

答案3

我认为 sed 会起作用，但我会做一个 perl 解决方案：

 perl -ane 'while (/(<\?xml.*?>)($|\d+=)/g) { push @w,$1; }' \
        -e 'print join("\n",@w)."\n";@w=();'

Perl 中的正则表达式操作/g说“启动下一个正则表达式从此处开始匹配”。如果没有匹配，则正则表达式返回 0（假），结束循环while，允许密码子打印您的输出。同时，匹配项会累积在数组中@w，您必须清除该数组在正则表达式中，我假设您的搜索边界本质上是数字和等号。

相关内容