使用grep和?实现非贪婪匹配

Question

我正在编写一个bash脚本，用于分析html文件并想要获取每个单独的<tr>...</tr>标签中的内容。所以我的命令如下：

$ tr -d \\012 < price.html | grep -oE '<tr>.*?</tr>'

但是似乎 grep 给我返回的结果是:

$ tr -d \\012 < price.html | grep -oE '<tr>.*</tr>'

如何使.*变成非贪婪模式？

- Sven Richter

---

必须说明的是：你不能使用正则表达式解析HTML。 - glenn jackman

Answer 1

如果你有 GNU Grep，你可以使用 -P 使匹配结果变成非贪婪的：

$ tr -d \\012 < price.html | grep -Po '<tr>.*?</tr>'

-P选项启用Perl兼容正则表达式(PCRE)，这在使用Basic Regular Expression (BRE)和Extended Regular Expression (ERE)无法支持的非贪婪匹配时是必需的。如果您正在使用-P，您也可以使用look arounds来避免打印匹配中的标签。

$ tr -d \\012 < price.html | grep -Po '(?<=<tr>).*?(?=</tr>)'

---

如果你没有GNU grep，而且HTML格式正确，你可以这样做：

$ tr -d \\012 < price.html | grep -o '<tr>[^<]*</tr>'

注意：上面的示例不能处理<tr>标签内部的嵌套标签。

- Chris Seymour

---

最后一个例子（使用“[^<]*”）不太可能奏效，因为“tr”内部不可避免地会包含“td”或“th”标签。 - glenn jackman

@glennjackman 说得好，我会把它留在答案中，因为这个通用原则可能对旁观者有用。 - Chris Seymour

Answer 2

非贪婪匹配不是 grep -E 支持的扩展正则表达式语法的一部分。如果您有 Perl/Python/Ruby 或其他程序，请改用 grep -P。或者可以考虑使用 pcregrep。

当然，如果您真的意味着

<tr>[^<>]*</tr>

你应该这样说；那样就可以使用普通的grep了。

你可以（费力地）扩展正则表达式来接受嵌套标签，而不是<tr>，但当然，最好使用适当的HTML解析器，而不是浪费大量时间重新发现为什么正则表达式不是正确的工具。

- tripleee

Answer 3

.*? 是 Perl 正则表达式。将您的 grep 更改为

grep -oP '<tr>.*?</tr>'

- ThisSuitIsBlackNot

---

或者，如果他只想要tr标签的内容：grep -oP '(?<=<tr>).*?(?=</tr>)' -- 使用look-around来省略实际的标签。 - glenn jackman

Answer 4

尝试使用 Perl 风格的正则表达式。

$ grep -Po '<tr>.*?</tr>' input
<tr>stuff</tr>
<tr>more stuff</tr>

- Fredrik Pihl