sed命令从HTML中提取文本 [英] sed command to extract text from HTML

问题描述

我正在抓取使用curl的网页的来源，并且想要从特定标记中提取文字。

文字位于唯一标记之间：

  href =http://www.website.com/some/unique/page.php?q=xyz> TEXT< ; / a> 
  

我做的是：

  curl -shttp://www.website.com| sed's | PATTERN | \1 |'
  

其中PATTERN是许多正则表达式模式之一已尝试过，其中之一：

  href =http://www.website.com/some/unique/page。 php？q = xyz> \（。* \）< / a> 
  

但是由于某些原因，我无法使用它。我可以得到完整的页面源或没有什么（根据我使用的模式）。

感谢任何帮助。

TEXT ，这将使用你输入的输入：

  sed's /^.*> \（[^<] * \）<。* $ / \1 / '
  

如果只需要输出 TEXT ，并且您只希望从其路径中包含单词 unique 的URL输出，然后改用：

  sed -n'/http:.*\/unique\//s/^.*>\([^<] * \）<。* $ / \1 / p'
  

I am grabbing the source of a page useing curl, and want to extract a text from a specific tag.

the text is between the unique tag:

href="http://www.website.com/some/unique/page.php?q=xyz">TEXT</a>

What I did was:

curl -s "http://www.website.com" | sed 's|PATTERN|\1|'

Where PATTERN is one of the many regex patterns I have tried, one of which:

href="http://www.website.com/some/unique/page.php?q=xyz">\(.*\)</a>

But for some reasons, I couldn't get it to work. I either get the full page source or nothing at all (depending on the pattern I used).

Would appreciate any help.

解决方案

Assuming your desired output is just TEXT, this will work with the input you gave:

sed 's/^.*>\([^<]*\)<.*$/\1/'

If the only output you want is TEXT and you only want that to be output from a URL containing the word unique in it's path then use this instead:

sed -n '/http:.*\/unique\//s/^.*>\([^<]*\)<.*$/\1/p'

这篇关于sed命令从HTML中提取文本的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！