Sed程序 - 删除的字符串重新出现？

问题描述：

我很难过。我有一个HTML文件，我试图将其转换为纯文本，并使用sed进行清理。据我所知，sed适用于'流'，一次只能处理一行，但有多种方法可以匹配多行模式。
这里是我的源文件的相关部分：Sed程序 - 删除的字符串重新出现？

<h1 class="fn" id="myname">My Name</h1> 
<span class="street-address">123 street</span> 
<span class="locality">City</span>&nbsp; 
<span class="region">Region</span>&nbsp;&nbsp; 
<span class="postal-code">1A1 A1A</span> 
<span class="email">[email protected]</span> 
<span class="tel">000-000-0000</span>

我想这个被制作成以下明文格式：

My Name 

123 street 
City Region 1A1 A1A 
[email protected] 
000-000-0000

的关键在于，城市，地区和邮政编码现在都在一条线上。
我用sed -f commands.sed file.html > output.txt，我相信下面的sed程序（），应该把它放在格式：

#using the '@' symbol as delimiter instead of '/' 
#remove tags 
[email protected]<.*>\(.*\)</.*>@\[email protected] 
#remove the nbsp 
[email protected]\(&nbsp;\)*@@g 
#add a newline before the address (actually typing a newline in the file) 
[email protected]\(123 street\)@\ 
\[email protected] 
#and now the command that matches multiline patterns 
#find 'City',read in the next two lines, and separate them with spaces 
/City/ { 
N 
N 
[email protected]\(.*\)\n\(.*\)\n\(.*\)@\1 \2 \[email protected] 
}

似乎是有道理的。标签全部被剥离，然后三条线被放入一个。
Buuuuut它不会那样工作。下面是结果我得到：

My Name 

123 street 
City <span class="region">Region</span>&nbsp;&nbsp; <span class="postal-code">1A1 A1A</span> 
[email protected] 
000-000-0000

要我（相对缺乏经验的）眼睛，它看起来像sed是“遗忘”它所做的更改（剥去标签）。我将如何解决这个问题？解决方案是在三条命令之后写入文件，并重新运行sed以获得第四条命令？我滥用sed吗？我误解了'流'部分？

我使用bash外壳程序运行Mac OS X 10.4.11，并使用它随附的sed版本。

你可能使用'awk'有更好的运气，因为这其中有你处理，你可以填入实际变量该文件，然后写在最后。 –

答

我觉得你很困惑。 Sed一行一行地运行，并在移动到下一行之前运行线路上的所有命令。您似乎认为它将所有行上的标签剥离，然后返回并运行剥离线上的其余命令。事实并非如此。

我可能是（因为我还在学习）。这很可能是我的错误，因为这正是我所假设的。那么我将不得不重新思考我的剧本。 –

答

请参阅RegEx match open tags except XHTML self-contained tags ...并停止使用sed。

Sed是一个很棒的工具，但不适用于处理HTML。我建议使用Python和BeautifulSoup，它基本上是为这类任务而构建的。

这非常有趣。不幸的是，我对Python没有任何经验。我正在尝试使用sed，因为我知道一些它，我真的需要一个快速和肮脏的解决方案。我会研究这个BeautifulSoup，因为如你所说，它是为此量身定制的。 –

答

如果每个PHP文件只有一个数据块，请尝试以下（使用SED）

kent$ cat t 
<h1 class="fn" id="myname">My Name</h1> 
<span class="street-address">123 street</span> 
<span class="locality">City</span>&nbsp; 
<span class="region">Region</span>&nbsp;&nbsp; 
<span class="postal-code">1A1 A1A</span> 
<span class="email">[email protected]</span> 
<span class="tel">000-000-0000</span> 

kent$ sed 's/<[^>]*>//g; s/&nbsp;//g' t |sed '1G;3{N;N; s/\n/ /g}' 
My Name 

123 street 
City Region 1A1 A1A 
[email protected] 
000-000-0000

Sed程序 - 删除的字符串重新出现？

相关推荐