İki etiket arasındaki metin

Bu iki etiket arasındakileri bulmak isterim - <tr> </tr>- bir html belgesinden. Şimdi bir html ayrıştırıcısı için herhangi bir özel html gereksinimim yok. Ben sadece düz ihtiyaç şey maçlar olduğunu <tr>ve </tr>ve aradaki her şeyi alır ve birden olabilir trler. İşe yarayan awk'ı denedim, ancak bir nedenden dolayı, çıkarılan her satırın kopyalarını vermemle sonuçlandı.

awk '
/<TR/{p=1; s=$0}
p && /<\/TR>/{print $0 FS s; s=""; p=0}
p' htmlfile> newfile

Bu konuda gitmek nasıl?

Sadece ...hepsini <tr>...</tr>yapmak istiyorsanız :

grep -o '<tr>.*</tr>' HTMLFILE | sed 's/\(<tr>\|<\/tr>\)//g' > NEWFILE

Multiline için:

tr "\n" "|" < HTMLFILE | grep -o '<tr>.*</tr>' | sed 's/\(<tr>\|<\/tr>\)//g;s/|/\n/g' > NEWFILE

Önce "|" karakterinin HTMLFILE'ini kontrol edin (normal değil ama mümkün) ve varsa, mevcut olmayanla değiştirin.

Bir HTML ayrıştırıcısını garanti eden bir gereksiniminiz var: HTML'yi ayrıştırmanız gerekir. Perl'in HTML'si: TreeBuilder , Python'un BeautifulSoup'u ve diğerlerinin kullanımı kolaydır, karmaşık ve kırılgan düzenli ifadeler yazmaktan daha kolaydır.

perl -MHTML::TreeBuilder -le '
    $html = HTML::TreeBuilder->new_from_file($ARGV[0]) or die $!;
    foreach ($html->look_down(_tag => "tr")) {
        print map {$_->as_HTML()} $_->content_list();
    }
' input.html

veya

python -c 'if True:
    import sys, BeautifulSoup
    html = BeautifulSoup.BeautifulSoup(open(sys.argv[1]).read())
    for tr in html.findAll("tr"):
        print "".join(tr.contents)
' input.html

sedve awkbu görev için uygun değil, uygun bir html ayrıştırıcı kullanmalısınız. Örneğin hxselect, w3.org'dan:

<htmlfile hxselect -s '\n' -c 'tr'

Varsa ruby, aşağıdakileri yapabilirsiniz

ruby -e 'puts readlines.join[/(?<=<tr>).+(?=<\/tr>)/m].gsub(/<\/?tr>/, "")' file

filegiriş html dosyanız nerede . Komut, Ruby bir liner'ı çalıştırır. İlk önce, tüm satırları okur fileve bunları bir dizgeye bağlar readlines.join. Daha sonra dizgiden bir şey seçer (ancak dahil değil) <tr>ve <\/tr>bu yeni karakterlerden bağımsız olarak bir karakter veya daha uzun olur [/(?<=<tr>).+(?=<\/tr>)/m]. Ardından, herhangi bir dizgeden <tr>veya </tr>dizeden kaldırılır gsub(/<\/?tr>/, "")(iç içe tretiketleri işlemek için gereklidir ). Sonunda dizeyi yazdırır puts.

Bir html ayrıştırıcısının sizin için garanti edilmediğini, ancak Nokogiri'yi birlikte kullanmanın çok kolay olduğunu rubyve komutu daha kolay hale getirdiğini söylediniz .

ruby -rnokogiri -e 'puts Nokogiri::HTML(readlines.join).xpath("//tr").map { |e| e.content }' file

-rnokogiriNokogiri'yi yüklüyor. Nokogiri::HTML(readlines.join)tüm satırlarını okur file. xpath("//tr")her tröğeyi map { |e| e.content }seçer ve her öğenin içeriğini seçer, yani <tr>ve arasında olanı seçer </tr>.

grep

trEtiket içindeki içeriği birden fazla satır boyunca almak için, xargsönce bunu iletin , örneğin:

curl -sL https://www.iana.org/ | xargs | egrep -o "<tr>.*?</tr>"

Yalnızca iç HTML’yi döndürmek için şunu kullanın:

curl -sL https://www.iana.org/ | xargs | grep -Po "<tr>\K(.*?)</tr>" | sed "s/..tr.//g"

^{perlreGenişletilmiş modeller için sözdizimini kontrol edin .}

^{Not: Daha hızlı performans için ripgrephangisinin benzer bir sözdizimine sahip olduğunu düşünebilirsiniz .}

pup

Kullanma örneği pup(hangisi CSS seçiciyi kullanır ):

pup -f myfile.html tr

Etiketleri, kullanmadan yalnızca metin yazdırmak için: pup -f myfile.html tr text{}.

İşte birkaç örnek curl:

curl -sL https://www.iana.org/ | pup tr text{}
pup -f <(curl -sL https://www.iana.org/) tr text{}

xpup

xpupHTML / XML ayrıştırma için örnek (XPath'ı destekleyen):

xpup -f myfile.html "//tr"

hızlı bir <tr>s listesi ise bu yardımcı olabilir:

perl -ne 'print if /<tr>/../</tr>/' your.html > TRs.log

şerefe