☰

从两个匹配模式之间的文件中提取内容（仅从文件中提取 HTML）

tag-icon • tag-icon bash scripts grep awk
从两个匹配模式之间的文件中提取内容（仅从文件中提取 HTML）

我有一个包含不同类型文本格式的文件，我的目标是仅提取 HTML 部分并使用此 HTML 代码创建文件。我认为使用grep或是可能的awk。我的文件还包含如下行：

Sender name `<[email protected]>`

我写了这个脚本cat file1.html | grep -E "<[^>]*>"。但问题是它还会输出诸如Sender name等行。我只想提取<html>标签后的内容。所以这对我来说没用：

Return-Path: <[email protected]>
    for <test@localhost> (single-drop); Thu, 21 Sep 2017 18:34:07 +0400 (+04)
Return-path: <[email protected]>
    (envelope-from <[email protected]>)
References: <[email protected]>
From: test user <[email protected]>
X-Forwarded-Message-Id: <[email protected]>
Message-ID: <[email protected]>
In-Reply-To: <[email protected]>

答案1

我们可以通过工具实现这一目标sed - 用于过滤和转换文本的流编辑器。简短的答案如下点 5下面。但我决定写一个详细的解释。

0。首先让我们创建一个简单的文件来测试我们的命令：

$ printf '\nTop text\nSender <[email protected]>\n\n<html>\n\tThe inner text 1\n</html>\n\nMiddle text\n\n<HTML>\n\tThe inner text 2\n</HTML>\n\nBottom text\n' | tee example.file

Top text
Sender <[email protected]>

<html>
        The inner text 1
</html>

Middle text

<HTML>
        The inner text 2
</HTML>

Bottom text

1.我们可以裁剪标签<html>和之间的所有内容</html>，包括它们，方法如下：

$ sed -n -e '/<html>/,/<\/html>/p' example.file

<html>
        The inner text 1
</html>

  • 选项-e script( --expression=script) 向要执行的命令添加脚本。在本例中，添加的脚本是'/<html>/,/<\/html>/p'。虽然我们只有一个脚本，但我们可以省略此选项。

  • 选项-n（--quiet，--silent）抑制模式空间的自动打印，并且与此选项一起我们还应该使用一些附加命令来告诉sed要打印什么。

  • 此附加命令是打印命令p，添加到脚本末尾。如果sed没有以选项启动-n，该p命令将复制输入。

  • 最后，通过两个逗号分隔的模式 - /<html>/,/<\/html>/- 我们可以指定一个范围。请注意，我们在这里使用转义作为分隔符的\特殊字符。/

2.如果我们想裁剪标签<html>和之间的所有内容</html>而不打印它们，我们应该添加一些额外的命令：

$ sed -n '/<html>/,/<\/html>/{ /html>/d; p }' example.file

        The inner text 1

  • 花括号{和}用于对命令进行分组。

  • 该命令d将删除与表达式相关的每一行html>。

3.但是，我们的example.file标签也有大写字母。所以我们应该让模式匹配不区分大小写。我们可以通过在正则表达式中<HTML>添加标志来实现这一点：/I

$ sed -n '/<html>/I,/<\/html>/I{ /html>/Id; p }' example.file

        The inner text 1
        The inner text 2
  • 正则表达式匹配的修饰符I是一个 GNU 扩展，它使得 REGEXP 以不区分大小写的方式进行匹配。

4.如果我们想要删除标签之间的所有 HTML 标签，我们可以添加一个附加命令，该命令将解析并“删除”以 开头和以 结尾的<html>字符串：<>

sed -n '/<html>/I,/<\/html>/I{ /html>/Id; s/<[^>]*>//g; p }' example.file

  • 该命令将用空字符串-s替换与表达式匹配的字符串。/<[^>]*>///s/<old>/<new>/

  • 模式标志g将对正则表达式的所有匹配应用替换，而不仅仅是第一个。

在这种情况下，我们可能希望省略删除命令：

sed -n '/<html>/I,/<\/html>/I{ s/<[^>]*>//g; p }' example.file

5.为了在文件的位置进行更改并创建备份副本，我们可以使用选项-i，或者我们可以通过sed将>输出重定向到新文件来基于输出创建新文件：

sed -n '/<html>/I,/<\/html>/I p' example.file -i.bak

sed -n '/<html>/I,/<\/html>/I p' example.file > new.file

参考：

相关内容