Texto entre dos etiquetas

Quiero recuperar lo que sea que esté entre estas dos etiquetas <tr> </tr>- de un documento html. Ahora no tengo ningún requisito html específico que garantice un analizador html. Simplemente necesito algo que coincida <tr>y </tr>consiga todo en el medio y podría haber múltiples correos trelectrónicos. Intenté awk, que funciona, pero por alguna razón termina dándome duplicados de cada fila extraída.

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

¿Como va esto?

Si solo quieres ...de todo <tr>...</tr>haz:

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

Para multilínea hacer:

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

Verifique el ARCHIVO HTML primero del carácter "|" (no habitual, pero posible) y si existe, cambie a uno que no existe.

Tiene un requisito que garantiza un analizador HTML: necesita analizar HTML. El HTML :: TreeBuilder de Perl , BeautifulSoup de Python y otros son fáciles de usar, más fáciles que escribir expresiones regulares frágiles y complejas.

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

o

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

sedy awkno son adecuados para esta tarea, debería usar un analizador html adecuado. Por ejemplo hxselectde w3.org:

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

Si rubyestá disponible, puede hacer lo siguiente

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

¿Dónde fileestá su archivo html de entrada? El comando ejecuta un Ruby one-liner. En primer lugar, se lee todas las líneas de filey se une a ellos en una cadena, readlines.join. Luego, a partir de la cadena se selecciona entre nada (pero sin incluir) <tr>y <\/tr>que es uno de los personajes o más, independientemente de los saltos de línea, [/(?<=<tr>).+(?=<\/tr>)/m]. Luego, elimina cualquiera <tr>o </tr>de la cadena gsub(/<\/?tr>/, "")(esto es necesario para manejar tretiquetas anidadas ). Por último, se imprime la cadena, puts.

Dijiste que un analizador html no está garantizado para ti, pero es muy fácil de usar con Nokogiriruby y hace que el comando sea más simple.

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

-rnokogiricarga Nokogiri. Nokogiri::HTML(readlines.join)lee todas las líneas de file. xpath("//tr")selecciona cada trelemento y map { |e| e.content }selecciona el contenido de cada elemento, es decir, lo que está entre <tr>y </tr>.

grep

Para recuperar contenido dentro de la tretiqueta en varias líneas, páselo xargsprimero, por ejemplo:

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

Para devolver solo HTML interno, use:

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

^{Verifique la sintaxis para perlrepatrones extendidos .}

^{Nota: Para un rendimiento más rápido, puede considerar ripgrepcuál tiene una sintaxis similar.}

pup

Ejemplo usando pup(que usa selectores CSS ):

pup -f myfile.html tr

Para imprimir sólo texto sin etiquetas, utilice: pup -f myfile.html tr text{}.

Aquí hay algunos ejemplos con curl:

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

xpup

Ejemplo de uso xpuppara el análisis HTML / XML (que admite XPath):

xpup -f myfile.html "//tr"

si es solo una lista rápida de <tr>s, esto podría ayudar:

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

aclamaciones