sed/perl中的非贪婪正则表达式匹配

Question

我正在尝试提取链接，使用命令为：sed /http.*.torrent/s/.*(http.*.torrent).*/\1/;/http.*.torrent/p 1.html。然而，由于sed缺乏非贪婪量词（这是因为在行尾的地方再次出现了“torrent”），我尝试将其转换为perl。但我需要perl的帮助。（或者如果您知道如何使用sed完成它，请告诉我。）现在我需要添加这部分内容，将其从sed转换过来：/http.*.torrent/p。

这是命令：sed /http.*.torrent/s/.*(http.*.torrent).*/\1/;/http.*.torrent/p 1.html中的一部分。

但这也没有起作用；sed开始了但没有退出，并且按键时它们被回显但没有其他反应。

- ccvn

---

如果您提供了一个输入示例，解释了转换规则并展示了期望的输出，那么有人可以帮助您在Perl中完成它，而无需弄清sed代码试图做什么并失败。 - d5e5

This is an example of a matching line, other can be anything: <a href="https://toPB.torrent" title="Download this torrent"> The goal is to extract https://toPB.torrent for each such line. - ccvn

你是否正在尝试解析完整的HTML页面以提取.torrent链接？如果是这种情况，你可能需要深入研究HTML::TreeBuilder。 - ssapkota

Answer 1

我建议使用经过充分验证的模块，如HTML::LinkExtor，来为您完成繁重的工作，并使用正则表达式简单地验证它发现的链接。请参见下面的示例，了解它可以有多么容易。

use Modern::Perl;
use HTML::LinkExtor;
use Data::Dumper;

my @links;


# A callback for LinkExtor. Disqualifies non-conforming links, and pushes
# into @links any conforming links.

sub callback {
    my ( $tag, %attr ) = @_;
    return if $tag ne 'a';
    return unless $attr{href} =~ m{http(?:s)?://[^/]*torrent}i;
    push @links, \%attr;
}


# The work is done here: Read the html file, parse it, and move on.
undef $/;
my $html = <DATA>;
my $p = HTML::LinkExtor->new(\&callback);
$p->parse( $html );

print Dumper \@links;

__DATA__
<a href="https://toPB.torrent" title="Download this torrent">The goal</a>
<a href="http://this.is.my.torrent.com" title="testlink">Testing2</a> <a href="http://another.torrent.org" title="bwahaha">Two links on one line</a>
<a href="https://toPBJ.torrent.biz" title="Last test">Final Test</a>
A line of nothingness...
That's all folks.

HTML::LinkExtor允许您设置回调函数。该模块本身解析HTML文档以查找任何链接。您要查找的是'a'链接（而不是'img'等）。因此，在回调函数中，除非您有一个'a'链接，否则请尽快退出。然后测试该“a”链接，以查看其中是否有“torrent”名称，并且在适当的位置。如果这个特定的正则表达式不是您需要的内容，那么您将需要更具体的内容，但我认为这就是您想要的。当找到链接时，它们被推送到数据结构中。在我的测试脚本结束时，我打印结构，以便您可以看到自己拥有什么。 __DATA__部分包含一些示例HTML片段，以及垃圾文本以验证它只能找到链接。

使用经过充分测试的模块来解析您的HTML比构建脆弱的正则表达式来完成整个工作要耐用得多。许多良好制作的解析解决方案在幕后包括正则表达式，但仅用于偶尔完成一些小工作。当您开始依赖regexp进行解析（而不是识别小构建块），您很快就会用尽汽油。

祝您玩得开心。

- DavidO

---

感谢您提供的信息丰富的答案。对于这种特殊情况，我不需要使用它，因为模式非常简单，但是我会记住HTML :: LinkExtor。 - ccvn

Answer 2

sed 不支持非贪婪匹配，所以最好的选择就是使用 perl：

perl -ne '/.*?(http.*?.torrent)/ && print "$1\n"' 1.html

-n参数告诉perl读取输入的每一行（在这种情况下是从1.html中读取，如果没有文件，则从stdin中读取），并对每一行运行某些操作...-e在命令行上提供了"要执行的内容"。

表达式的第一部分与您要查找的表达式匹配，括号将有趣的部分捕获到$1中。如果它匹配，它将计算为真，然后执行打印（给您一个匹配项以及一个换行符）。

- unpythonic