正则表达式从 Google Reader JSON 文件中提取所有加星标的项目 URL

Question

遗憾的是，Google Reader 宣布将于今年年中关闭。 由于我在 Google 阅读器中有大量已加星标的项目，我想备份它们。 这可以通过谷歌阅读器外卖来实现。它会生成一个JSON 格式的文件。

现在我想从这个数 MB 的大文件中提取所有文章的 url。

起初我认为最好对 url 使用正则表达式，但似乎最好通过正则表达式提取所需的文章 url 来查找文章 url。这将防止提取其他不需要的 url。

以下是 json 文件部分外观的简短示例：

"published" : 1359723602,
"updated" : 1359723602,
"canonical" : [ {
  "href" : "http://arstechnica.com/apple/2013/02/omni-group-unveils-omnifocus-2-omniplan-omnioutliner-4-for-mac/"
} ],
"alternate" : [ {
  "href" : "http://feeds.arstechnica.com/~r/arstechnica/everything/~3/EphJmT-xTN4/",
  "type" : "text/html"
} ],

我只需要你可以在这里找到的网址：

 "canonical" : [ {
  "href" : "http://arstechnica.com/apple/2013/02/omni-group-unveils-omnifocus-2-omniplan-omnioutliner-4-for-mac/"
} ],

也许有人有心情说正则表达式必须如何提取所有这些 url？

这样做的好处是有一种快速而肮脏的方式从 Google 阅读器中提取加星标的项目网址，以便在处理后将它们导入到 Pocket 或 evernote 等服务中。

Answer 1

我知道您询问过正则表达式，但我认为有更好的方法来处理这个问题。多行正则表达式是一个 PITA，在这种情况下，不需要那种脑损伤。

我会从grep 开始，而不是正则表达式。 -A1 参数表示“返回匹配的行，然后返回”：

grep -A1 "canonical" <file>

这将返回如下行：

"canonical" : [ {
    "href" : "http://arstechnica.com/apple/2013/02/omni-group-unveils-omnifocus-2-omniplan-omnioutliner-4-for-mac/"

然后，我会再次 grep 获取 href：

grep -A1 "canonical" <file> | grep "href"

给予

"href" : "http://arstechnica.com/apple/2013/02/omni-group-unveils-omnifocus-2-omniplan-omnioutliner-4-for-mac/"

现在我可以使用 awk 来获取网址：

grep -A1 "canonical" <file> | grep "href" | awk -F'" : "' '{ print $2 }' 

去掉网址上的第一个引号：

http://arstechnica.com/apple/2013/02/omni-group-unveils-omnifocus-2-omniplan-omnioutliner-4-for-mac/"

现在我只需要去掉多余的引号：

grep -A1 "canonical" <file> | grep "href" | awk -F'" : "' '{ print $2 }' | tr -d '"'

就是这样！

http://arstechnica.com/apple/2013/02/omni-group-unveils-omnifocus-2-omniplan-omnioutliner-4-for-mac/