6

这里真的很基本的问题。所以我被告知一个点。匹配除换行符以外的任何字符。我正在寻找与任何字符匹配的东西，包括换行符。

我要做的就是在两个特定字符串之间捕获网站页面中的所有文本，剥离页眉和页脚。像 HEADER TEXT(.+)FOOTER TEXT 之类的东西，然后提取括号中的内容，但我找不到在页眉和页脚之间包含所有文本和换行符的方法，这有意义吗？提前致谢！

4

7 回答 7

7

当我需要匹配多个字符（包括换行符）时，我会：

[\s\S]*?

注意我使用的是非贪婪模式

于 2009-12-13T19:16:20.847 回答
3

你可以用 Perl 做到这一点：

$ perl -ne 'print if /HEADER TEXT/ .. /FOOTER TEXT/' file.html

要仅打印分隔符之间的文本，请使用

$ perl -000 -lne 'print $1 while /HEADER TEXT(.+?)FOOTER TEXT/sg' file.html

该/s开关使正则表达式匹配器将整个字符串视为单行，这意味着点匹配换行符，并且意味着/g尽可能多地匹配。

上面的示例假设您正在处理本地磁盘上的 HTML 文件。如果您需要先获取它们，请使用getfrom LWP::Simple：

$ perl -MLWP::Simple -le '$_ = get "http://stackoverflow.com";
                          print $1 while m!<head>(.+?)</head>!sg'

请注意，在一般情况下，使用上述正则表达式解析 HTML 是行不通的！如果您正在使用快速而肮脏的扫描仪，那很好，但是对于需要更健壮的应用程序，请使用真正的解析器。

于 2009-12-13T19:09:32.617 回答
3

根据定义，grep查找匹配的行；它读取一行，查看它是否匹配，然后打印该行。

做你想做的一种可能的方法是sed：

sed -n '/HEADER TEXT/,/FOOTER TEXT/p' "$@"

这将从匹配'HEADER TEXT'的第一行打印到匹配'FOOTER TEXT'的第一行，然后迭代；“-n”停止默认的“打印每一行”操作。如果页眉和页脚文本出现在同一行，这将无法正常工作。

为了做你想做的事，我可能会使用perl（但如果你愿意，你可以使用 Python）。我会考虑 slurping 整个文件，然后使用适当限定的正则表达式来查找文件的匹配部分。然而，'@gbacon' 给出的 Perl 单行语句几乎是对上述 'sed' 脚本的 Perl 音译，并且比 slurping 更简洁。

于 2009-12-13T19:12:18.413 回答
2

由于它被标记为“bbedit”并且 BBedit 支持 Perl 样式的模式修饰符，因此您可以允许点将换行符与开关 (?s) 匹配

(?s)。

将匹配任何字符。是的， (?s).+ 将匹配整个文本。

于 2011-08-09T12:05:28.293 回答
2

的手册页grep说：

grep, egrep, fgrep, rgrep - 打印匹配模式的行

grep不是为匹配多于一行而设计的。您应该尝试使用perl或来解决此任务awk。

于 2009-12-13T19:11:55.403 回答
1

正如在别处指出的那样， grep 将适用于单行内容。

对于多行（在带有 Regexp::MULTILINE 的 ruby​​ 中，或者在 python、awk、sed 等中），“\s”也应该捕获换行符，所以

HEADER TEXT(.*\s*)FOOTER TEXT

可能工作...

于 2009-12-13T19:09:53.700 回答
0

如果你有的话，这是用 gawk 做的一种方法

awk -vRS="FOOTER" '/HEADER/{gsub(/.*HEADER/,"");print}' file
于 2009-12-14T00:02:32.520 回答