从 html 文件中解析单词答案

【问题标题】：parse word from html file从 html 文件中解析单词
【发布时间】：2013-12-02 21:12:45
【问题描述】：

我在尝试从 html 文件中提取单词时遇到了很多麻烦。 html 文件中的行如下所示：

<span id="result">WORD</span>

我想把 WORD 弄出来，但我想不通。到目前为止，我得到了：

 grep 'span id="result"' FILE

这让我明白了。我也试过：

sed -n '/<span id="result">/,/<\/span>/p' FILE

这也不起作用。我知道这可能是一个非常简单的问题，但我才刚刚开始，所以我真的可以使用一些帮助。

【问题讨论】：

【解决方案1】：

不要使用正则表达式来解析 html。

使用 html 解析器。

我的Xidel 的语法最短：

xidel FILE -e "#result"

【讨论】：

【解决方案2】：

这是awk的任务
我猜你在同一个文件中有其他行，所以必须搜索span id。

echo "<span id="result">WORD</span>" | awk -F"[<>]" '/span id/ {print $3}'
WORD

【讨论】：

【解决方案3】：

你可以试试

awk -f ext.awk input.html

input.html 是您的输入 html 文件，ext.awk 是

{
    line=line $0 RS
}

END {
    match (line,/<span id="result">([^<]*)<\/span>/,a)
    print a[1]
}

这将在换行符处提取内容..

【讨论】：

【解决方案4】：

将grep 与向后引用一起使用：

grep -Po '(?<=<span id="result">)\w+'

括号之间的表达式是向后引用；它没有被捕获，但用作以下正则表达式部分的测试：如果出现表达式，则捕获的模式在此处仅为 \w+。添加选项-o只输出单词；选项-P 启用前向和后向引用。

如果你想修改这个正则表达式，请注意grep，后向引用必须有一个固定的大小。

【讨论】：