2つのタグ間のテキスト

これら2つのタグの間にあるものはすべて<tr> </tr>、HTMLドキュメントから取得したいです。現在、HTMLパーサーを保証する特定のHTML要件はありません。私は単に一致<tr>し</tr>、その間にすべてを取得するものが必要であり、複数trのものが存在する可能性があります。私はawkを試しましたが、それはうまくいきますが、何らかの理由で抽出された各行の複製を与えることになります。

awk '
/<TR/{p=1; s=$0}
p && /<\/TR>/{print $0 FS s; s=""; p=0}
p' htmlfile> newfile

これについてどうやって行くのですか？

...すべてを<tr>...</tr>したい場合：

grep -o '<tr>.*</tr>' HTMLFILE | sed 's/\(<tr>\|<\/tr>\)//g' > NEWFILE

複数行の場合：

tr "\n" "|" < HTMLFILE | grep -o '<tr>.*</tr>' | sed 's/\(<tr>\|<\/tr>\)//g;s/|/\n/g' > NEWFILE

文字「|」の最初のHTMLFILEを確認します （通常ではありませんが可能です）、存在する場合は、存在しないものに変更します。

HTMLパーサーを保証する要件があります：HTMLを解析する必要があります。PerlのHTML :: TreeBuilder、PythonのBeautifulSoupなどは使いやすく、複雑で脆弱な正規表現を書くよりも簡単です。

perl -MHTML::TreeBuilder -le '
    $html = HTML::TreeBuilder->new_from_file($ARGV[0]) or die $!;
    foreach ($html->look_down(_tag => "tr")) {
        print map {$_->as_HTML()} $_->content_list();
    }
' input.html

または

python -c 'if True:
    import sys, BeautifulSoup
    html = BeautifulSoup.BeautifulSoup(open(sys.argv[1]).read())
    for tr in html.findAll("tr"):
        print "".join(tr.contents)
' input.html

sedそして、awkよくこの作業には適していない、あなたではなく、適切なHTMLパーサを使用する必要があります。たとえばhxselect、w3.orgから：

<htmlfile hxselect -s '\n' -c 'tr'

ruby利用可能な場合は、次のことができます

ruby -e 'puts readlines.join[/(?<=<tr>).+(?=<\/tr>)/m].gsub(/<\/?tr>/, "")' file

file入力htmlファイルはどこにありますか。このコマンドは、Rubyのワンライナーを実行します。まず、すべての行を読み取りfile、文字列に結合しますreadlines.join。次に、文字列からそれは間（は含まない）ものを選択<tr>して<\/tr>、それは関係なく、改行の1文字以上です[/(?<=<tr>).+(?=<\/tr>)/m]。次に、文字列から<tr>または</tr>を削除しますgsub(/<\/?tr>/, "")（ネストされたtrタグを処理するために必要です）。最後に、文字列を出力しますputs。

あなたは、HTMLパーサがあなたのために保証されていませんが、それは非常に使いやすいと言わ鋸山をしてruby、それがコマンド簡単になります。

ruby -rnokogiri -e 'puts Nokogiri::HTML(readlines.join).xpath("//tr").map { |e| e.content }' file

-rnokogiriのこぎりをロードします。Nokogiri::HTML(readlines.join)のすべての行を読み取りますfile。xpath("//tr")すべてのアウトピックtr要素とmap { |e| e.content }の間で何の各要素の内容アウトピック、すなわち<tr>と</tr>。

grep

tr複数行にわたってタグ内のコンテンツを取得するには、xargs最初にそれを渡します。次に例を示します。

curl -sL https://www.iana.org/ | xargs | egrep -o "<tr>.*?</tr>"

内部HTMLのみを返すには、次を使用します。

curl -sL https://www.iana.org/ | xargs | grep -Po "<tr>\K(.*?)</tr>" | sed "s/..tr.//g"

^{perlre拡張パターンの構文を確認してください。}

^{注：パフォーマンスを高速化するために、ripgrepどちらの構文が似ているかを検討できます。}

pup

使用例pup（CSSセレクターを使用）：

pup -f myfile.html tr

タグなしのテキストのみを印刷するには、次を使用しますpup -f myfile.html tr text{}。

以下にいくつかの例を示しcurlます。

curl -sL https://www.iana.org/ | pup tr text{}
pup -f <(curl -sL https://www.iana.org/) tr text{}

xpup

xpupHTML / XML解析（XPathをサポート）の使用例：

xpup -f myfile.html "//tr"

の簡単なリストである場合、<tr>これは役立ちます：

perl -ne 'print if /<tr>/../</tr>/' your.html > TRs.log

乾杯