Question

我使用wget检索了一个html文件。我想把所有链接，即所有<a href=""> </a>放在文件的末尾。有可能吗？

例如，请考虑以下文件：

<tr style="background-color: #EFEFEF">
    <td valign="top">Line1<br />2013.05.23</td>
    <td>Line2
    <br /><a href="link.html">link</a>
    <br />Line3
    </td>
</tr>

我想将文字改为：

<tr style="background-color: #EFEFEF">
    <td valign="top">Line1<br />2013.05.23</td>
    <td>Line2
    <br />
    <br />Line3
    </td>
</tr>
<a href="link.html">link</a>

Answer 1

对于示例数据中的简单锚标记，此Perl脚本就足够了：

#!/usr/bin/env perl
use strict;
use warnings;

my @urls = ();

while (<>)
{
    chomp;
    if (m/\s*(<a\s+[^>]+>.*<\/a>)\s*/)
    {
        push @urls, $1;
        s///;
    }
    print "$_\n";
}

foreach my $url (@urls)
{
    print "$url\n";
}

示例输出：

<tr style="background-color: #EFEFEF">
    <td valign="top">Line1<br />2013.05.23</td>
    <td>Line2
    <br />
    <br />Line3
    </td>
</tr>
<a href="link.html">link</a>

请注意，如果输入中的单行上有多个锚标记，它也会在脚本底部的外部标记之间包含材质。如果锚标记在行间断开，则会被忽略。我毫不怀疑有HTML符号可以破坏这个脚本（但我不确定它们是什么）。

这是简单脚本的一小步：

#!/usr/bin/env perl
use strict;
use warnings;

my @urls = ();

while (<>)
{
    chomp;
    while (m/\s*(<a\s+[^>]+>.*?<\/a>)\s*/)
    {
        push @urls, $1;
        s// /;
    }
    print "$_\n";
}

foreach my $url (@urls)
{
    print "$url\n";
}

代替while的{{1}}循环遍历一行中的匹配。非贪婪的if量词意味着它不会吞噬中间锚标签。替代品用空白替换被移除的材料，从而保持将锚标签分开的单词。

示例数据：

.*?

示例输出：

<tr style="background-color: #EFEFEF">
    <td valign="top">Line1<br />2013.05.23</td>
    <td>Line2
    <br /><a href="link.html">link</a>
    <br />Line3
    </td>
</tr>
<tr style="background-color: #EFEFEF">
    <td valign="top">Line1<br />2013.05.23</td>
    <td>Line2
    <br /> <a href="link2.html">link</a> extraneous material <a href="link3.html">link</a> other notes <a href="link4.html">link</a>
    <br />Line3
    </td>
</tr>

您可以判断这是否足以满足您的目的。至少它为你提供了一些工作。

Answer 2

如果你只想复制（而不是移动）指向文件末尾的链接，你可以做一个简单的grep（也许没有'当然为特殊情况工作）：

grep -o -P '(<a href=.*?</a>)' test.html > tmp.html && cat tmp.html >> test.html

将特定文本放在unix中的文件末尾

2 个答案: