删除标签外的文本答案

【问题标题】：Delete text outside of tags删除标签外的文本
【发布时间】：2013-05-23 18:30:55
【问题描述】：

使用 vim，我试图删除 <text> 块的 outside 的所有文本。这需要跨越换行符和其他（不相关的）标签。

我尝试使用正则表达式来替换换行符的文本，但由于几个原因失败了，其中一个是我的尝试没有跨越多行，我需要让我的匹配项不贪心。（这是使用{-} 以某种方式完成的吗？）

应该匹配我要删除的内容的正则表达式看起来像：<//text>.*<text.*> 但如果我使这个匹配不贪婪，我可能会有其他问题。（我也意识到我会在开始时清理一个部分标签部分。）

我应该采取另一种方法吗，或者有人可以指导我使用 vim 删除此类标签之间的所有内容 not？

编辑：包括示例文本

<contributor>
        <username>MalafayaBot</username>
        <id>628</id>
      </contributor>
      <minor />
      <comment>Robô: A modificar Categoria:Vocábulo de étimo latino (Português) para Categoria:Entrada de étimo latino (Português)</comment>
      <text xml:space="preserve">={{-pt-}}=
==Substantivo==
{{flex.pt|ms=excerto|mp=excertos}}
{{paroxítona|ex|cer|to}} {{m}}
# [[extrato]] de um [[texto]], [[fragmento]]
#: ''A seguir, um '''excerto''' do texto original.''

===Tradução===
{{tradini}}
* {{trad|es|extracto}}
* {{trad|fr|extrait}}
{{tradmeio}}
* {{trad|en|excerpt}}
{{tradfim}}

=={{etimologia|pt}}==
:Do latim ''[[excerptu]]'' (colhido de).

=={{pronúncia|pt}}==
===Brasil===
* [[SAMPA]]: /e.&quot;sEx.tu/
* [[AFI]]: /esˈertu/
[[zh:excerto]]</text>
      <sha1>8i1zywj37s74ah4wnai11ohorfjn8j5</sha1>
      <model>wikitext</model>

【问题讨论】：

请举个例子
您的文件中是否只有一个<text> 块？
regex 确实不是最好的工具。这可能是一个有趣的阅读，为什么它不适合解析 html。 stackoverflow.com/questions/1732348/…
@Fdinoff 我在尝试解决了几个小时后才意识到这一点。我真的不需要 DOM 的全部功能，但看起来我需要一个不同的工具来解决这个问题。

标签： regex vim tags

【解决方案1】：

您对正则表达式的困扰表明您使用了错误的工具来完成这项工作。

对于从 XML 中提取文本，您可以使用 XSLT，它可以比正则表达式更好地处理所有特殊情况。或者使用专用工具，如xidel，一种用于 XML 的 grep。有了它，提取就这么简单：

xidel --extract "//text" input.xml

【讨论】：

我相信你是对的。 XSLT 会更好地处理这个问题。伙计，我讨厌使用 XSL。无论如何，我会接受这个答案。

【解决方案2】：

如果您不需要 vim，您可以尝试使用此 sed 命令，只需将“test”替换为您的文件名。我将首先在您的文件的副本上对此进行测试，因为 -i 选项告诉 sed 修改您传入的实际文件。

sed -i 's/<\/text>[^<]*/<\/text>/g' test

编辑：看到示例后，我将采用不同的方法...而不是删除所有不在标签内的文本。我将选择所有块并将其输出到新的文件。希望您的 grep 版本支持 -P 选项。试试这个：

grep -Pzo "(?s)<text.*?<\/text>" sample.txt > out.txt

【讨论】：

嗯，这似乎不起作用。我不确定是否删除了 anything。不过，它确实需要一段时间才能运行。（文件长 900 万行。）
我使用的示例测试文件如下所示：<text>loijefr ljlijef</text>afefawefa<text>efaerfe</text>eaee <text>aeeawre</text><text>afrer</text> 是您的结束文本，如或？
文本标签中也有内容。如<text annoying=true>blahblahblah</text>。
你能提供一个示例 sn-p ...当然是伪造信息 =)

【解决方案3】：

我假设您的文件中只有一个 <text> 块。在 vim 中，这一行适用于您的示例文本：

%s#\_.*\(<text.\{-}>\_.*</text>\)\_.*#\1#

【讨论】：

可悲的是，它们有成千上万个。