使用 sed - 如何用中间的未知内容替换两个 HTML 标记或模式？答案

【问题标题】：Using sed - how to replace two HTML tags or patterns with unknown content in-between?使用 sed - 如何用中间的未知内容替换两个 HTML 标记或模式？
【发布时间】：2018-10-30 04:03:10
【问题描述】：

我想保留标签之间的未知内容，但想匹配所有使用的标签：

<div class="section1-title">arbitrary content here</div>

并将周围的标签替换为：

<h2>arbitrary content here</h2>

我想出了以下内容，但显然它不起作用，因为在第二部分中它实际上是用 "].*[]" 替换找到的每个匹配项。

sed -i 's/[<]div class=\"section1-title\"[>].*[<]\/div[>]/<h2[>].*[<]\/h2[>]/g'

我特别想知道如何保持中间内容完好无损，无论里面有什么，并且只匹配那些周围的标签，因为显然有很多元素，所以我不能单独搜索和替换他们。据我所知，sed 语句的第一部分似乎确实与正确的内容相匹配，但我不确定主要是第 2 部分。

【问题讨论】：

始终建议使用正确的工具进行 HTML 解析 sed、awk 不适用于 HTML 解析。
您会推荐哪些工具？
为什么不建议将 sed 或 awk 用于这些目的？

标签： linux bash awk sed

【解决方案1】：

你需要的是一个反向引用。

    bash-3.2$ sed 's/<div class=\"section1-title\">\(.*\) 
    <\/div>/<h2>\1<\/h2>/g' <<< '<div class="section1-title">arbitrary 
    content here</div>'
    <h2>arbitrary content here</h2>

您的内容周围的括号 - \(.*\) - 允许稍后引用它，就像 \1 一样。

见：https://www.regular-expressions.info/backref.html

和.bash_profile sed: \1 not defined in the RE 解释为什么括号应该在你的正则表达式中转义。

【讨论】：

谢谢！这就是我一直在寻找的东西，也是一个很好的资源。不过，我发现正则表达式非常贪婪，并且在“section1-title”的第一次出现和其他几个
之后的内容之间吞噬了内容。我自己研究了一下，但是你有没有建议让它在
的第一场比赛中停止？

您可能希望使用? 使其成为惰性匹配而不是贪婪匹配 - \(.*?\) - 这将匹配 <\/div> 之前的最少字符。或者一个否定的字符类可能更有意义——比如\([^<]*\)——它将匹配尽可能多的非<字符。（另见regular-expressions.info/repeat.html）

我尝试了第二个，但是有一些标签包含我想离开的类。使用？非常完美，完全符合我的需要。非常感谢您的帮助！绝对学到了很多东西以供将来参考。