html - 使用命令行从 HTML 文档中提取信息

Question

关闭。这个问题需要多问 focused 。目前不接受答案。

---

想要改进此问题吗？更新问题，使其仅关注一个问题 editing this post .

已关闭 7 年前。

Improve this question

我正在使用wget下载 HTML 页面并从中提取信息。具体来说，我想改变这个:

<a href="/312728/" title="The 10 Best Goals ever">
<a href="/671921/" title="Golf at its best">
<a href="/371285/" title="Football Legends">
<a href="/576903/" title="Boxing Legends">

进入此并另存为txt文件。

/312728/The 10 Best Goals ever
/671921/Golf at its best
/371285/Football Legends
/576903/Boxing Legends

我已经尝试过:

wget --quiet -O - http://some-site.com | grep -o '<a href="/?/" title="?"> > new.txt

但这并没有给我想要的结果。

Answer 1

将 grep 更改为 egrep 以获得更精细的正则表达式功能，您可以执行以下操作:

wget --quiet -O - http://some-site.com | egrep -e '<a href="\/[0-9]*\/" title="[:alnum:]*' 

应该返回:

<a href="/312728/" title="The 10 Best Goals ever">
<a href="/671921/" title="Golf at its best">
<a href="/371285/" title="Football Legends">
<a href="/576903/" title="Boxing Legends">

然后，使用 awk 我们可以用双引号分隔这些内容并挑选出您想要返回的部分:

wget --quiet -O - http://some-site.com | egrep -e '<a href="\/[0-9]*\/" title="[:alnum:]*'  | awk -F'"' '{print $2$4}'

应该返回这个:

/312728/The 10 Best Goals ever
/671921/Golf at its best
/371285/Football Legends
/576903/Boxing Legends

您可以重定向到这样的文本文件:

wget --quiet -O - http://some-site.com | egrep -e '<a href="\/[0-9]*\/" title="[:alnum:]*'  | awk -F'"' '{print $2$4}' >> mytextfile.txt