awk/等：从文件中提取匹配项

Question

我有一个 HTML 文件，想提取之间的文本 <li> 和 </li> 标签。当然有一百万种方法可以做到这一点，但我认为更多地养成在简单的 shell 命令中执行此操作的习惯会很有用：

awk '/<li[^>]+><a[^>]+>([^>]+)<\/a>/m' cities.html

问题是，这打印 一切 而我只是想打印括号中的匹配项—— ([^>]+) --要么awk不支持这个，要么我无能。后者的可能性似乎更大。如果您想将提供的正则表达式应用于文件并仅提取指定的匹配项，您会怎么做？我已经知道六种其他方法，但我不想让 awk 赢得这一轮；）

编辑：数据结构不佳，因此使用位置匹配（$1, $2, etc.）是不行的。

Answer 1

这是你的脚本，如果你能得到你想要的东西（这意味着<li>和<a>标签是在同一行）;

$ cat test.html | awk 'sub(/<li[^>]*><a[^>]*>/,"")&&sub(/<\/a>.*/,"")'

或

$ cat test.html | gawk '/<li[^>]*><a[^>]*>(.*?)<\/a>.*/&&$0=gensub(/<li[^>]*><a[^>]*>(.*?)<\/a>.*/,"\\1", 1)'

第一个是为每一个AWK，第二个是用于GNU AWK。

Answer 2

如果你想这样做，在一般情况下，你的清单标签可以包含任何合法的HTML标记，然后awk是错误的工具。这项工作的合适的工具将是一个HTML解析器，你可以信任得到正确所有的HTML解析的小细节，包括HTML和畸形HTML的变体。

如果您是一个特例，在那里你可以控制HTML格式这样做，那么你可能能够使awk为你工作。例如，假设你能保证每个列表元素从未占据多于一行，总是与在同一行</li>终止，决不会包含任何标记（如包含列表的列表），那么你可以使用awk来做到这一点，但你需要编写第一查找包含列表元素线整体awk程序，然后使用其他awk命令，找到刚才子你感兴趣的内容。

但在一般情况下，awk是这个职位的错误的工具。

Answer 3

gawk -F'<li>' -v RS='</li>' 'RT{print $NF}' file

工作得很好我。

Answer 4

我发现有几个问题：

• 该模式有一个尾随“m”，这对于 Perl 中的多行匹配很重要，但 Awk 不使用与 Perl 兼容的正则表达式。（至少，标准（非 GNU）awk 没有。）
• 忽略这一点，该模式似乎搜索“开始列表项”，后跟锚点“<a>' 到 '</a>'，而不是最终列表项。
• 您搜索任何不是 '>' 作为锚点的主体；这并不是自动错误的，但搜索任何不是 ' 的内容可能更常见<'，或者任何两者都不是的东西。
• awk 不进行多行搜索。
• 在 awk 中，'$1' 表示第一个字段，其中字段由字段分隔符分隔，默认为空格。
• 经典中 nawk （如记录在'sed & awk' 书籍年份 1991）没有适当的机制将子字段从比赛中拉出，等等。

目前尚不清楚 Awk 是否适合这项工作。事实上，尚不完全清楚正则表达式是否适合这项工作。

Answer 5

真的不知道awk中，如何对Perl语言的呢？

tr -d '\012' the.html | perl \
-e '$text = <>;' -e 'while ( length( $text) > 0)' \
-e '{ $text =~ /<li>(.*?)<\/li>(.*)/; $target = $1; $text = $2; print "$target\n" }'

1）从文件中删除新行，通过perl的管

2）初始化完整的文本的变量，启动一个循环，直到文本消失

3）做一个“非贪婪”匹配的东西通过列表项标签界定，保存并打印目标，设置为下一个通

有意义吗？ （警告，没有尝试这个代码我自己，需要尽快回家......）

P.S。 - “perl的-n” 是在awk（NAWK？）模式。 Perl是很大程度上awk中的超集，所以我从来费心去学习awk中。