perl - 在命令行上解析HTML；如何在 中捕获文本？

Question

我试图从看起来像这样的HTML输出中获取数据:

<strong>Target1NoSpaces</strong><span class="creator"> ....
<strong>Target2 With Spaces</strong><span class="creator"> ....

我正在使用管道火车将数据缩减到我要达到的目标。到目前为止，这是我的方法:

grep "/strong" output.html | awk '{print $1}'

Grep在“/strong”上获取与目标线；效果很好。

用管道输送到'awk'{print $ 1}'。当目标没有空格时，在情况＃1中有效，但是当目标具有空格时，在情况＃2中无效。.仅保留第一个单词，如下所示:

<strong>Target1NoSpaces</strong><span
<strong>Target2

在我的awk或其他命令中，您是否有任何提示正确击中目标？任何快速而又肮脏的东西(grep，awk，sed，perl)将不胜感激。

Answer 1

在grep中使用Perl regex的先行和先行功能。它应该比使用awk更简单。

grep -oP "(?<=<strong>).*?(?=</strong>)" file

输出:

Target1NoSpaces
Target2 With Spaces

添加:

Perl的regex的Ruby多重匹配实现可以匹配多行中的值:

ruby -e 'File.read(ARGV.shift).scan(/(?<=<strong>).*?(?=<\/strong>)/m).each{|e| puts "----------"; puts e;}' file

输入:

<strong>Target
A
B
C
</strong><strong>Target D</strong><strong>Target E</strong>

输出:

----------
Target
A
B
C
----------
Target D
----------
Target E