Question

我有一个名为example.html的非常基本的html文件（见下文）

<html>
<body>
<div class="one">
    <div class="research">
        <div class="two">
            <p>Lorem ipsum...</p>
        </div>
        <div class="three">
            <p>Lorem ipsum...</p>
        </div>
        <div class="four">
            <p>Lorem ipsum...</p>
        </div>
    </div>  
</div>
</body>
</html>

我希望只获得类似的短语（见下文），但不能删除第一行和最后一行。

<div class="research">
    <p>Lorem ipsum...</p>
    <div class="two"></div>
    <div class="three"></div>
    <div class="four"></div>
</div>

我尝试过awk：

cat example.html | awk '/^<div\ class="research">$/,/^<\/div>$/ { print }'

但似乎有些不对劲。

我还尝试使用body标记（见下文）

cat example.html | awk '/^<body>$/,/^<\/body>$/ { print }'

（结果）

<body>
<div class="one">
    <div class="research">
        <div class="two">
            <p>Lorem ipsum...</p>
        </div>
        <div class="three">
            <p>Lorem ipsum...</p>
        </div>
        <div class="four">
            <p>Lorem ipsum...</p>
        </div>
    </div>  
</div>
</body>

它工作正常。

我做错了什么？

提前致谢。

Answer 1

你cannot parse HTML with regular expressions。假设html是有效的xml，您可以使用：

xmlstarlet sel -t -c '//div[@class="research"]' -nl example.html

<div class="research">
        <div class="two">
            <p>Lorem ipsum...</p>
        </div>
        <div class="three">
            <p>Lorem ipsum...</p>
        </div>
        <div class="four">
            <p>Lorem ipsum...</p>
        </div>
    </div>

在简单的example.html文件中提取两个字符串之间的文本

1 个答案: