0

我想从 Mac OS X 命令行中将http://www.amiriconstruction.co.uk/goodwoodgolf/scoretable.htm中的文本提取到没有 html 标签的纯文本纺织品中。

我尝试了很多 sed 命令，但 sed 只会再次打印整个文件。我究竟做错了什么？

我试过的例子

sed -n '/<tr>/,/<\/tr>/p' scoretable.htm（只会打印带有 html 标签的表格内容：（）

4

2 回答 2

3

一个小小的 TXR 网页抓取，在wget抓取页面的帮助下：

@(deffilter nobr ("<br />" ""))
@(deffilter brsp ("<br />" " "))
@(deffilter nosp (" " ""))
@(next "!wget 2>/dev/null -O - http://www.amiriconstruction.co.uk/goodwoodgolf/scoretable.htm")
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
@(skip)
<div class="scoreTableArea">
@(collect)
<h2 class="unify">@year - @event</h2>
@  (filter brsp event)
@  (collect)
<tr>
<td class="center">@pos</td>
<td>@player</td>
<td>@company</td>
<td>@date</td>
<td class="center">@points</td>
</tr>
@  (filter nobr player company date points)
@  (filter nosp pos points)
@  (until)
</tbody>
@  (end)
@(end)
@(output :filter :from_html)
@  (repeat)

Event: @event
Year: @year

DATE       POS  PT  PLAYER           COMPANY
@    (repeat)
@{date -10}  @{pos -2}  @{points 2}  @{player 16} @company
@    (end)
@  (end)

@(end)

样品运行：

$ txr  scoretable.txr

Event: Teeing off to Clobber Ken
Year: 2011

DATE       POS  PT  PLAYER           COMPANY
 Sept 2011   1  40  John Durrant     King Sumners Partnership
 Sept 2011   2  34  Grahame Pettit   Amiri Construction
  Oct 2011   3  31  Tony Deacon      Gleeds
  Oct 2011   4  29  Tony Boyle       Lacey Hickey Caley 
  Oct 2011   5  29  Richard Hemming  Scott White and Hookins
 Sept 2011   6  29  Ian McCoy        Selway Joyce
 June 2011   7  27  Julian Larkin    C&G Properties
 Sept 2011   8  25  Roque Menezes    Capita Symonds
 June 2011   9  22  Shawn Lambert    PWP Architects
 Sept 2011  10  22  Kevin Lendon     Amiri Construction

Event: Ken Watson (HNW Architects) Undisputed Amiri Golf Demon of the Downs
Year: 2010

DATE       POS  PT  PLAYER           COMPANY
      2010   1  40  Ken Watson       HNW Architects
      2010   2  37  David Heda       London Clancy
      2010   3  34  Gordon Brown     Currie & Brown
      2010   4  32  Alistair Taylor  Wildbrook Properties
             5  30  Andy Goodridge   City Estates
             6  25  Russ Pitman      Henderson Green
             7  24  Phil Piper       Piper Whitlock 
             8  23  Kevin Miller     Urban Pulse Architects
             9  19  Simon Asquith    Godsall Arnold Partnership
            10  19  Shawn Lambert    PWP Architects
            11  18  Martin Judd      Davis Langdon
于 2012-04-07T15:46:38.557 回答
2 
sed -n 's;</\?td>;;gp' scoretable.html | \
sed -e 's;<td class="center">;;' \
    -e 's;<.*>;;'

请注意，我使用;而不是/作为分隔符 - 我发现它更容易阅读。Sed 将使用您放在后面's的任何字符作为分隔符。

好，现在解释。第一行：

-n将抑制输出，但p命令末尾的 sed 告诉 sed 专门打印与模式匹配的所有行。这只会让我们得到包裹在<td>标签中的行。与此同时，我正在寻找任何匹配的东西</\?td>并用任何东西代替它。/\?意味着/不能出现或只出现一次，所以这将匹配开始和结束标签。最后g，或全局，意味着它在一行中第一次成功后不会停止尝试匹配模式。没有g它只会替换开始标签。

此输出在第二行再次通过管道传输到 sed：

-e只是指定有一个编辑命令要运行。如果您只运行一个命令，这是隐含的，但在这里我运行两个（下一个在第三行）。

这将删除<td class="center">，并且下一行将删除任何其他标签（在本例中为<br>tags.

仅当您确定一行上最多只有一个标签时，才能运行最后一个命令。否则.*会贪心和匹配太多，所以在：

<td class="center">24 </ br>

它将匹配整行，并删除所有内容。

于 2012-06-06T17:00:02.720 回答