2

我有一个 HTML 文件，我对<pre> </pre>标签所包含的数据感兴趣。有没有一种单线可以做到这一点？

示例文件：

<html>
<title>
Hello There!
</title>
<body>
<pre>
John   Working
Kathy  Working
Mary   Working
Kim    N/A
</pre>
</body>
</html>

输出应该是：

John 
Kathy 
Mary 
Kim

非常感谢小伙伴们，谢谢！

4

4 回答 4

4

掌握树枝工具。它拥有的东西之一是一个叫做xml_grep. 你的问题减少到

cat foo.txt | xml_grep --nowrap pre

pre是一个xpath表达式。随后进行一些简单的文本处理，即使您的 XML 格式不同，这也将起作用。

忠告 - 不要使用 sed 和其他基于流的文本处理工具来操作 XML 等结构化数据。使用适当的解析器。

于 2010-05-24T17:29:24.683 回答
2

如果您有 XHTML，则使用xmlstarlet。如果你不那么先通过 HTML Tidy，然后把它变成 XHTML。

于 2010-05-24T17:06:26.180 回答
2

由于您特别询问了使用 sed 的解决方案...假设有趣的行总是在包含<pre>and的行之间</pre>（看起来完全一样），并且有趣的内容永远不会与开始或结束标记在同一行，并假设第一个这样的块是您唯一要提取的块，并且假设虽然您了解这确实是解决此问题的错误方法，但您仍然想这样做，那么您可以使用 sed 来执行此操作，例如像这样：

sed '1,/<pre>/d;/<\/pre>/,$d'

它删除从第一行到包含的<pre>所有行以及从包含</pre>到最后的所有行。

（FWIW，我宁愿使用 XPath 表达式来选择有趣的内容。例如，使用Ignacio Vazquez-Abrams 建议的xmlstarlet可以这样：xmlstarlet sel -t -v /html/body/pre。）

于 2010-05-24T20:52:16.410 回答
1

我的 Perl-fu 很弱，但这适用于您的示例：

$ cat file.html | perl -e'while(<>){if(/<\/pre>/){$a=0;}if($a){print}if(/<pre>/){$a=1;}}' | cut -f1 -d' '
John
Kathy
Mary
Kim
于 2010-05-24T17:14:33.413 回答