Cómo extraer cadenas siguiendo un patrón con grep, regex o perl

Tengo un archivo que se parece a esto:

    <table name="content_analyzer" primary-key="id">
      <type="global" />
    </table>
    <table name="content_analyzer2" primary-key="id">
      <type="global" />
    </table>
    <table name="content_analyzer_items" primary-key="id">
      <type="global" />
    </table>

Necesito extraer cualquier cosa entre las comillas que siguen name=, es decir content_analyzer, content_analyzer2y content_analyzer_items.

Estoy haciendo esto en una caja de Linux, por lo que una solución que use sed, perl, grep o bash está bien.

Dado que necesita hacer coincidir el contenido sin incluirlo en el resultado (debe coincidir, name=" pero no es parte del resultado deseado) se requiere alguna forma de coincidencia de ancho cero o captura de grupo. Esto se puede hacer fácilmente con las siguientes herramientas:

Perl

Con Perl, puede usar la n opción para recorrer línea por línea e imprimir el contenido de un grupo de captura si coincide:

perl -ne 'print "$1\n" if /name="(.*?)"/' filename

GNU grep

Si tiene una versión mejorada de grep, como GNU grep, puede tener la -Popción disponible. Esta opción habilitará una expresión regular similar a Perl, lo que le permitirá usar \Kuna búsqueda retrospectiva abreviada. Restablecerá la posición de coincidencia, por lo que cualquier cosa antes de que sea de ancho cero.

grep -Po 'name="\K.*?(?=")' filename

La o opción hace que grep imprima solo el texto coincidente, en lugar de la línea completa.

Vim - Editor de texto

Otra forma es utilizar un editor de texto directamente. Con Vim, una de las diversas formas de lograr esto sería eliminar las líneas sin name=y luego extraer el contenido de las líneas resultantes:

:v/.*name="\v([^"]+).*/d|%s//\1

Grep estándar

Si no tiene acceso a estas herramientas, por alguna razón, se podría lograr algo similar con grep estándar. Sin embargo, sin mirar alrededor, será necesario limpiarlo más tarde:

grep -o 'name="[^"]*"' filename

Una nota sobre cómo guardar resultados

En todos los comandos anteriores, se enviarán los resultados a stdout. Es importante recordar que siempre puede guardarlos conectándolos a un archivo agregando:

> result

hasta el final del comando.

La expresión regular sería:

.+name="([^"]+)"

Entonces la agrupación estaría en el \ 1

Si está utilizando Perl, descargue un módulo para analizar XML: XML :: Simple , XML :: Twig o XML :: LibXML . No reinventes la rueda.

Se debe utilizar un analizador HTML para este propósito en lugar de expresiones regulares. Un programa de Perl que utiliza HTML::TreeBuilder:

Programa

#!/usr/bin/env perl

use strict;
use warnings;

use HTML::TreeBuilder;

my $tree = HTML::TreeBuilder->new_from_file( \*DATA );
my @elements = $tree->look_down(
    sub { defined $_[0]->attr('name') }
);

for (@elements) {
    print $_->attr('name'), "\n";
}

__DATA__
<table name="content_analyzer" primary-key="id">
  <type="global" />
</table>
<table name="content_analyzer2" primary-key="id">
  <type="global" />
</table>
<table name="content_analyzer_items" primary-key="id">
  <type="global" />
</table>

Salida

content_analyzer
content_analyzer2
content_analyzer_items

esto podría hacerlo:

perl -ne 'if(m/name="(.*?)"/){ print $1 . "\n"; }'

Aquí hay una solución que utiliza HTML tidy y xmlstarlet:

htmlstr='
<table name="content_analyzer" primary-key="id">
<type="global" />
</table>
<table name="content_analyzer2" primary-key="id">
<type="global" />
</table>
<table name="content_analyzer_items" primary-key="id">
<type="global" />
</table>
'

echo "$htmlstr" | tidy -q -c -wrap 0 -numeric -asxml -utf8 --merge-divs yes --merge-spans yes 2>/dev/null |
sed '/type="global"/d' |
xmlstarlet sel -N x="http://www.w3.org/1999/xhtml" -T -t -m "//x:table" -v '@name' -n

Vaya, el comando sed debe preceder al comando tidy, por supuesto:

echo "$htmlstr" | 
sed '/type="global"/d' |
tidy -q -c -wrap 0 -numeric -asxml -utf8 --merge-divs yes --merge-spans yes 2>/dev/null |
xmlstarlet sel -N x="http://www.w3.org/1999/xhtml" -T -t -m "//x:table" -v '@name' -n

Si la estructura de su xml (o texto en general) es fija, la forma más fácil es usar cut. Para su caso específico:

echo '<table name="content_analyzer" primary-key="id">
  <type="global" />
</table>
<table name="content_analyzer2" primary-key="id">
  <type="global" />
</table>
<table name="content_analyzer_items" primary-key="id">
  <type="global" />
</table>' | grep name= | cut -f2 -d '"'