bash shell脚本编程经典实例 （第2版）

250

｜

第

13

章

• 5.18

节

• 5.20

节

• 6.15

节

• 13.1

节

13.3

　解析

HTML

13.3.1

　问题

你想将

HTML

中的字符串提取出来。例如，在一堆

HTML

中提取出

<a>

标签内形如

href="

urlstringstuff

"

的字符串。

13.3.2

　解决方案

要想用

shell

快捷地解析

HTML

，而且也不要求万无一失，可以尝试下列做法。

cat $1 | sed -e 's/>/>\

/g' | grep '<a' |

while

IFS='"' read a b c ; do echo $b;

done

13.3.3

　讨论

用

bash

解析

HTML

绝非易事，主要因为

bash

基本上是面向行的，而

HTML

的设计是将换

行符视为空白字符。因此，我们经常会看到跨多行的

HTML

标签。

<a

href="blah..." rel="blah..." media="blah..."

target= "blah..."

>

<a>

标签的写法有两种，一种要使用独立的结束标签

</a>

，另一种则不用，其是以

/>

作为

结尾的单个

<a>

标签。在起止标签之间可能存在占据了一行或数行的多个其他标签，这在

解析的时候实在有些让人挠头，我们给出的简单的

bash

解析方法往往不能确保万无一失。

接下来我们将分步骤讲解解决方案。首先，将出现在一行中的多个标签拆分成一行一个标签。

cat file | sed -e 's/>/>\

/g'

没错，反斜线后面紧跟着换行符，以此将每个标签的结尾字符（

>

）替换成该字符本身加

上一个换行符。这就使得一行只出现一个标签，另外可能还会伴随少量额外的空行 ...