使用 awk/sed 从 HTML 代码中检索信息 Text/Word答案

【问题标题】：Retrieve information Text/Word from HTML code using awk/sed使用 awk/sed 从 HTML 代码中检索信息 Text/Word
【发布时间】：2014-05-24 21:23:51
【问题描述】：

awk/sed 新手在这里。我有一个 HTML 文件，我想从该文件中检索一个文本词。

<font face=arial size=-1><li><a href=/value_for_clients/Tokyo/abc_process.txt>abc</a> NDK Version:  4.0 </li>
<font face=arial size=-1><li><a href=/value_for_clients/Tokyo/abc01_process.txt>abc01</a> NDK Version:  4.0 </li>
<font face=arial size=-1><li><a href=/value_for_clients/Tokyo/abc045_process.txt>abc045</a> NDK Version:  4.0 </li>
<font face=arial size=-1><li><a href=/value_for_clients/Tokyo/cdf_process.txt>cdf</a> NDK Version:  4.0 </li>
<font face=arial size=-1><li><a href=/value_for_clients/Tokyo/Manhattan_process.txt>Manhattan</a> NDK Version:  4.0 </li>

例如。从第一行我想检索 abc 放置在： .txt>abc/a>

之间

我使用了以下命令，但您可以看到单词中的字母数量不断变化 abc、abc01、abc045、cdf、Manhattan。

awk -F\/ '{print substr($4,0,3)}' list.html

因此，此命令仅获取 3 个字母单词的输出。但是，我想从 HTML 代码中的所有行中提取相同的信息（abc01、abc045、cdf、Manhattan）。请帮忙。

【问题讨论】：

标签： sed awk

【解决方案1】：

使用awk：

awk -F'[<>]' '{print $7}' urls 
abc
abc01
abc045
cdf
Manhattan

【讨论】：

当我运行这个命令时，我得到了 html 文件中的行数乘以空行。什么都没有显示（awk -F'[]' '{print $7}' list.html）。当我尝试运行 John1024 提到的 awk 命令 (awk -F'(txt>|)' '{print $2}' list.html) 时，也会发生同样的事情。有什么想法吗？
您的操作系统和 awk 版本是什么？如果您只是将上面粘贴的代码复制到文件中，它是否有效：这就是我们所做的......
我在 Solaris 10 上运行它。“将上面粘贴的代码复制到文件中”？您要我将“awk -F'[]''{print $7}' list.html”复制到文件中并从那里执行吗？
否：我试图确定您的源数据是否与您在问题中发布的数据有任何不同。
不，没有什么不同。事实上，我再次尝试将上面提到的代码复制到一个新文件并运行它，但我仍然得到 5 个空行。所以它正在运行一些东西，但没有显示输出。

【解决方案2】：

你可以试试：

perl -nE '/<a href.*?>(.*?)<\/a>/; say $1' file

输出：

abc
abc01
abc045
cdf
Manhattan

【讨论】：

【解决方案3】：

$ sed -n 's/.*txt>\([[:alnum:]]\+\)<.*/\1/p' list.html
abc
abc01
abc045
cdf
Manhattan

或者：

$ awk -F'(txt>|</a)' '{print $2}' list.html
abc
abc01
abc045
cdf
Manhattan

【讨论】：

【解决方案4】：

我使用命令 sed 或 awk 来提取它。在这里，我将原始数据保存到文件/tmp/html.txt。

它们都使用正则表达式和反向引用

通过 sed

flying@lempstacker:~$ sed -r -n 's@.*<a [^>]*>(.*)</a>.*@\1@p' /tmp/html.txt
abc
abc01
abc045
cdf
Manhattan
flying@lempstacker:~$

通过 awk

使用函数gensub

flying@lempstacker:~$ awk '{print gensub(/.*<a [^>]*>(.*)<\/a>.*/,"\\1"," ",$0)}' /tmp/html.txt
abc
abc01
abc045
cdf
Manhattan
flying@lempstacker:~$

【讨论】：

【解决方案5】：

使用 gnu grep

grep -Po "<a href.*?>\K[^<]*" file

【讨论】：