Shell：从 HTML 中提取一些代码答案

【问题标题】：Shell: Extract some code from HTMLShell：从 HTML 中提取一些代码
【发布时间】：2011-08-29 22:51:36
【问题描述】：

我有以下来自 HTML 文件的代码 sn-p：

<div id="rwImages_hidden" style="display:none;">
    <img src="http://example.com/images/I/520z3AjKzHL._SL500_AA300_.jpg" style="display:none;"/>
    <img src="http://example.com/images/I/519z3AjKzHL._SL75_AA30_.jpg" style="display:none;"/>
    <img src="http://example.com/images/I/31F-sI61AyL._SL75_AA30_.jpg" style="display:none;"/>
    <img src="http://example.com/images/I/71k-DIrs-8L._AA30_.jpg" style="display:none;"/>
    <img src="http://example.com/images/I/61CCOS0NGyL._AA30_.jpg" style="display:none;"/>
</div>

我要提取代码

520z3AjKzHL
519z3AjKzHL
31F-sI61AyL
71k-DIrs-8L
61CCOS0NGyL

来自 HTML。

请注意：必须使用<img src="" style="display:none;"/>，因为HTML文件中还有其他类似的url，但我只有<img src="" style="display:none;"/>之间的那些。

我的代码是：

cat HTML | grep -Po '(?<img src="http://example.com/images/I/).*?(?=.jpg" style="display:none;"/>)'

好像出了点问题。

【问题讨论】：

标签： bash shell command-line grep

【解决方案1】：

您可以使用positive look ahead / look behind:解决它

cat HTML | grep -Po "(?<=<img src=\"http://example.com/images/I/).*?(?=\._.*.jpg\" style=\"display:none;\"/>)"

演示：

ideone.com link

正则表达式分解：

.*? 勉强匹配所有字符
(?<=<img src=...ges/I/) 前面是<img .../I/
(?=\._...ne;\"/>) 由._...ne;\"/> 成功

【讨论】：

UUOC.. 哈哈哈有趣的页面。猫来自 OP

【解决方案2】：

我假设您正在寻找一个后向开始，这就是引发错误的原因。

(?<=foo) 不是(?<foo)。

这给出了您指定的结果案例，但我不知道您是否需要直到 JPG：

cat HTML | grep -Po '(?<=img src="http://example.com/images/I/)[^.]*'

直到并排除 JPG 将是：

cat HTML | grep -Po '(?<=img src="http://example.com/images/I/).*(?=.jpg)'

【讨论】：

您没有使用 OP 声明的 display:none 信息，这是必需的。完整的表达方式见我的回答。
是的，我忘记了那部分。您的正则表达式更精确，在这种情况下是必要的。

【解决方案3】：

如果您认为 gawk 是一种有效的 bash 解决方案：

awk -F'[/|\._]' -v img='/<img src="" style="display:none;"\/>/' '/img/{print $7}' file

【讨论】：