如何在Shell脚本中使用正则表达式匹配多行模式

Question

我希望编写一个bash脚本，在多行html文件中查找模式。

用于正则表达式的文件：

<td class="content">
  some content
</td>
<td class="time">
  13.05.2013  17:51
</td>
<td class="author">
  A Name
</td>

现在我想找到具有class="time"的<td>标签的内容。

因此，原则上以下正则表达式： <td class="time">(\d{2}\.\d{2}\.\d{4}\s+\d{2}:\d{2})</td> 看起来似乎不能使用grep命令，因为...

1. 它只返回完整行或使用-o返回括号中的结果(...)。
2. 它只在一行中查找模式。

那么如何才能得到一个只包含13.05.2013 17:51字符串的结果呢？

- Sven Richter

---

搜索了一下“命令行xml解析器”，发现了https://dev59.com/8HNA5IYBdhLWcg3wmfO5。 - Mike Makuch

Answer 1

还不太行，由于某些原因会打印出一个前导换行符，但也许可以像这样做？

$ sed -n '/<td class="time">/,/<\/td>/{s/^<td class="time">$//;/^<\/td>$/d;p}' file 

13.05.2013  17:51

灵感来自https://dev59.com/SWnWa4cB1Zd3GeqP5vA8#13023643

编辑：好吧，总有perl！
更多信息请参见https://dev59.com/XnM_5IYBdhLWcg3w02z8#1213996

$ perl -0777 -ne 'print "$1\n" while /<td class="time">\n  (.*?)\n<\/td>/gs' regex.txt 
13.05.2013  17:51

- timss

Answer 2

你的格式有多固定？如果你确定它看起来是这样的，那么你可以使用sed匹配第一行，获取下一行并打印出来，像这样：

$  sed -n '/<td *class="time">/{n;p}' test
  13.05.2013  17:51

你可以添加一些内容来处理在同一行的情况。或者预处理文件以剥离所有换行符，也许还要折叠空格（显然不能用sed完成），然后再进行操作。

但是，如果它是来自其他地方的HTML文件，并且您无法确定格式，我建议使用其他具有解析XML库的脚本语言，否则任何解决方案都可能在格式更改时出现问题。

编辑后添加了一个链接，这是我喜欢的用于此类事情的sed资源：http://www-rohan.sdsu.edu/doc/sed.html

- SpaceDog

Answer 3

尝试：

awk '/^td class="time">/{gsub(ORS,x); print $2}' RS=\< FS=\> file

或者

awk '/^td class="time">/{print $2}' ORS= RS=\< FS='>[[:space:]]*' file

- Scrutinizer