替换 HTML 中不匹配的左尖括号答案

【问题标题】：Substitute unmatched left angle brackets in HTML替换 HTML 中不匹配的左尖括号
【发布时间】：2016-12-09 00:34:08
【问题描述】：

我的问题：如何找到带有不匹配的左尖括号的行并将这些括号替换为它们的 HTML 等效项。

示例输入：

<dd>
     Pro 10g Flüssigkeit: 2g Wasserstoffperoxid <10% Tenside. ENTHÄLT: Sulfamidsäure,</dd>

替换不匹配的'

<dd>
     Pro 10g Flüssigkeit: 2g Wasserstoffperoxid &lt;10% Tenside. ENTHÄLT: Sulfamidsäure,</dd>

我的示例文本中包含德语“元音变音”，以防他们“搞砸”...

如果可能，我想使用 sed 或 awk。

非常感谢您的帮助！

【问题讨论】：

标签： bash awk sed

【解决方案1】：

这是一个危险的提议，因为sed 是逐行工作的，而且对于每一行，都有几种情况需要考虑：

可能只有小于号字符，没有任何 html 标签：

<p>
    x < 10
</p>

如您的示例所示，小于字符后可能有一个 html 标记

<p> x < 10 </p>

小于号可以在 html 标签内。

<img src="..." alt="Graph for x < 10">

它可能是一个很长的 html 标签，在后面的一行中关闭。

<img
    src="..."
    alt="..."
>

我要做的是首先假设只有前两个选项存在，然后使用这样的东西：

sed -i.orig -r 's/<([^>]*($|<))/\&lt;\1/g' file.

这将保留带有新扩展名 .orig 的原始文件的备份，以便您可以在两者上运行 diff 程序以查看发生了什么变化。

至于它是如何工作的：

所以它会搜索没有> 的&lt;，直到下一个&lt; 或行尾，然后用&lt; 替换该部分以及在初始&lt; 之后找到的所有内容

【讨论】：

【解决方案2】：

这可能已经足够了：

$ sed -E 's/<([^>]+<)/\&lt;\1/g' file
<dd>
     Pro 10g Flüssigkeit: 2g Wasserstoffperoxid &lt;10% Tenside. ENTHÄLT: Sulfamidsäure,</dd>

如果没有，请编辑您的问题，提供一个更完整（但仍然简洁且可测试）的示例，该示例真正代表您的真实输入。

顺便说一句，变音符号或任何其他输入字符没有什么特别之处。

【讨论】：

关于变音符号：我正在解析 vCard（即纯 ASCII 文件）时，姓氏中看起来完全正常的 'ü' 终止了我的 awk 脚本。我从来没有发现为什么成千上万的这些 vCard（许多包含变音符号和“ß”，并且都来自同一来源）被解析没有任何问题，但这个没有任何问题。因此...
如果任何字符终止（或对您的 awk 脚本产生任何其他不利影响），那么您的 awk 脚本中就存在简单的错误。否则根本不会发生这种情况。