linux - 如何使用grep命令提取html中标签之间的内容

Question

我想写一个 grep 命令来提取 h1 标签之间的内容，而不考虑类和其他属性

我试过了

 grep -o '>.*</h1>' Email.txt

但是只给了三个元素

Answer 1

使用 GNU grep , 你可以使用

grep -oP '<h1(?:\s[^>]*)?>\K.*?(?=</h1>)' Email.txt

-P选项将启用 PCRE 正则表达式引擎并且模式将匹配

• <h1 - <h1字符串
• (?:\s[^>]*)? - 一个可选的非捕获组，匹配 1 次或 0 次出现的空格 ( \s )，后跟除 > 以外的 0+ 个字符
• > - 一个 >字符
• \K - 匹配重置运算符，丢弃匹配内存缓冲区中到目前为止匹配的文本
• .*? - 除换行字符外的任何 0+ 个字符，尽可能少
• (?=</h1>) - 与紧跟在 </h1> 之后的位置相匹配的正面前瞻子串。