regex - sed regex 在第一场比赛时停止

Question

我想替换以下 html 文本的一部分(一个大文件的摘录)，将旧的论坛格式(由于 2 年前完成的非常糟糕的论坛移植工作导致)更新为常规的 phpBB 格式:

    <blockquote id="quote"><font size="1" face="Verdana, Arial, Helvetica" id="quote">quote:<hr height="1" noshade id="quote"><i>written by User</i>

这应该被过滤成:

    [quote=User]

我在 sed 中使用了以下正则表达式

    s/<blockquote.*written by \(.*\)<\/i>/[quote=\1]/g

这适用于给定的示例，但在实际文件中，像这样的几个引号可以在一行中。在这种情况下 sed 过于贪婪，并将所有内容放在 [quote=...] 标记中的第一个和最后一个匹配项之间。我似乎无法让它替换行中这种模式的每一次出现......(我不认为有任何嵌套的引号，但这会使它变得更加困难)

Answer 1

您需要使用与 Perl 兼容的正则表达式的 sed(1) 版本，以便您可以执行诸如进行最小匹配或负前瞻之类的操作。

最简单的方法就是首先使用 Perl。

如果您有现有的 sed 脚本，则可以使用 s2p(1) 实用程序将其转换为 Perl。请注意，在 Perl 中，您确实想使用 $1右侧s///运算符(operator)。在大多数情况下，\1是祖父，但总的来说你想要$1那里:

s/<blockquote.*?written by (.*?)<\/i>/[quote=$1]/g;

注意我已经删除了括号前面的反斜杠。使用 Perl 的另一个优点是它使用了正常的 egrep 风格的正则表达式(如 awk)，而不是丑陋的 grep 风格的正则表达式(如 sed)，它需要所有那些令人困惑(和不一致)的反斜杠到处都是。

使用 Perl 的另一个优点是您可以使用成对的、可嵌套的分隔符来避免丑陋的反斜杠。例如:

s{<blockquote.*?written by (.*?)</i>}
 {[quote=$1]}g;

其他优点包括 Perl 与 UTF-8(现在是 Web 的多数编码形式)非常兼容，并且您可以进行多行匹配，而不会像 sed 那样非常痛苦。例如:

$ perl -CSD -00 -pe 's{<blockquote.*?written by (.*?)</i>}{[quote=$1]}gs' file1.utf8 file2.utf8 ...

-CSD使其将标准输入、标准输出和文件视为 UTF-8。 -00让它一口气读完整个文件， /s根据需要使点跨越换行符边界。