如何使用 (g)awk 提取 xml 属性答案

【问题标题】：How to extract xml attributes with (g)awk如何使用 (g)awk 提取 xml 属性
【发布时间】：2019-11-10 08:54:24
【问题描述】：

所以我有这个 xml 行示例，正在从中读取，

<element attr1=”XX” attr2=”0818820\.x11” attr3=”YYXX.x11” attr-4=”1”/>

由于是xml，所以元素的顺序是随机的，有些可能是可选的。

所以我尝试使用 awk 选择其中一个，例如使用 gensub 的 attr1。

while (getline < "./file") {
    print $0
    #First attempt
    #print gensub(/.*attr1=\"(.*)\".*/,"\\1","g",$0)
    #Second attempt
    print gensub(/.*attr1="(.*)".*/,"\\1","g",$0)
}

但是，我没有设法匹配这个，但返回了整行（可能没有匹配，但它也可以匹配所有）。有人有想法吗？我将无法修改输入参数。

BR 帕特里克

【问题讨论】：

正则表达式在修改 xml/html 数据时永远不会是健壮和合适的
@WiktorStribiżew 这些解决方案仅在 xml 行是单行时才有效。
有人称它为summoning the daemon，其他人称它为the Call for Cthulhu，很少有人称它为turned mad and met the Pony。简而言之，永远不要使用正则表达式解析 XML 或 HTML！您是否尝试过诸如 xmlstarlet、xmllint 或 xsltproc 之类的 XML 解析器？
@kvantour 没错，仅用于示例字符串。否则使用awk/sed等就没有意义了
You can't parse [X]HTML with regex。我建议使用 XML/HTML 解析器（例如 xmlstarlet）。

标签： xml awk

【解决方案1】：

假设输入在 file.txt 中

$ cat file.txt
<element attr1=”XX” attr2=”0818820\.x11” attr3=”YYXX.x11” attr-4=”1”/>

然后用grep把属性拉出来，然后在=上拆分。如下：

$  egrep -o "attr[0-9]+[^ ]* " file.txt | awk -F= '{print $1"\t"$2}'
attr1   ”XX” 
attr2   ”0818820\.x11” 
attr3   ”YYXX.x11”

如果你只想要 attr1 也选择 attr1：

$  egrep -o "attr[0-9]+[^ ]* " file.txt | awk -F= '/attr1/{print $2}'
”XX”

您可以调整 grep 行以获取其他属性。例如如果你想要 end 属性，插入空格会使逻辑更简单：

$ sed < file.txt 's|/| |g' | egrep -o "attr[^ ]* "
attr1=”XX” 
attr2=”0818820\.x11” 
attr3=”YYXX.x11” 
attr-4=”1”

【讨论】：

【解决方案2】：

没有理由重新发明轮子。 gawk-xml documentation 提到了几个用于 awk 的 xml 解析器，例如 Jan Weber 的 getXML 脚本（在互联网上流传，我找到了 here）。测试它产生：

$ awk -f getXML.awk test.xml
TAG element
        attr-4=”1”
        attr1=”XX”
        attr2=”0818820\.x11”
        attr3=”YYXX.x11”
END element

【讨论】：