正则表达式 – 用于从html页面提取数据的正则表达式

发布时间：2020-12-14 05:36:29 所属栏目：百科来源：网络整理

导读：我想从html页面中提取所有锚标签.我在 Linux中使用它. lynx --source http://www.imdb.com | egrep "a[^]*" 但是这没有按预期工作,因为结果包含不需要的结果 a class="amazon-affiliate-site-name" href="http://www.fabric.com"Fabric/abr 我想要的 a href

我想从html页面中提取所有锚标签.我在 Linux中使用它.

lynx --source http://www.imdb.com | egrep "<a[^>]*>"

但是这没有按预期工作,因为结果包含不需要的结果

<a class="amazon-affiliate-site-name" href="http://www.fabric.com">Fabric</a><br>

我想要的

<a href >...</a>

有什么好办法吗？

解决方法

如果grep中有-P选项以便它接受PCRE模式,那么你应该能够使用更好的正则表达式.有时像*这样的最小量词？帮助.而且,你得到整个输入线,而不仅仅是匹配本身;如果grep有-o选项,它将仅列出匹配的部分.

egrep -Po '<a[^<>]*>'

如果您的grep没有这些选项,请尝试

perl -00 -nle 'print $1 while /(<a[^<>]*>)/gi'

现在越过线边界.

要对HTML进行真正的解析,要求正则表达式比您希望在命令行中输入要复杂得多. Here’s one example和here’s another.这些可能无法说服你尝试非正则表达式方法,但它们至少应该告诉你在一般情况下比在特定情况下更难.

这个答案显示了为什么all things are possible,but not all are expedient.

（编辑：李大同）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!