提问人：Fadyboy 提问时间：9/15/2023 最后编辑：ddaFadyboy 更新时间：9/19/2023 访问量：89
如何使用 bash 脚本提取文本文件中多次出现的 html TH 标签的值？
How can I extract the value of html TH tags that occur multiple times in a text file using a bash script?
问：
我有一个包含html标记的文本文件。我想提取本节中的值：
<th scope="col" class="text-center">158</th>
<th scope="col" class="text-center">139 (87.97%)</th>
<th scope="col" class="text-center">18 (11.39%)</th>
<th scope="col" class="text-center">0 (0.00%)</th>
<th scope="col" class="text-center">1 (0.63%)</th>
<th scope="col" class="text-center">0 (0.00%)</th>
这些值会不时更改，但始终只有 6 个 thesr 标签。我试过做这样的事情：
text="$(cat email_resp.txt | grep -n '<th scope="col" class="text-center">' | sort)"
我也试过这个：
text2="$(sed -n '/<th scope="col" class="text-center">/,/<\/th>/p' email_resp.txt)"
但是我得到的就像一个文本的“斑点”，我无法迭代它。
689: <th scope="col" class="text-center">158</th>
690: <th scope="col" class="text-center">139 (87.97%)</th>
691: <th scope="col" class="text-center">18 (11.39%)</th>
692: <th scope="col" class="text-center">0 (0.00%)</th>
693: <th scope="col" class="text-center">1 (0.63%)</th>
694: <th scope="col" class="text-center">0 (0.00%)</th>
这是我使用 sed 命令时的输出：
<th scope="col" class="text-center">158</th>
<th scope="col" class="text-center">139 (87.97%)</th>
<th scope="col" class="text-center">18 (11.39%)</th>
<th scope="col" class="text-center">0 (0.00%)</th>
<th scope="col" class="text-center">1 (0.63%)</th>
<th scope="col" class="text-center">0 (0.00%)</th>
理想情况下，我想做的是将标签之间的这些值提取到数组或变量中，以便我可以在其他地方使用它们。<th>
答：
1赞
Vlam
9/15/2023
#1
您可以使用 awk 并使用 或 作为分隔符将行拆分为标记。<>
cat email_resp.txt | grep -P "<th scope=\"col\" class=\"text-center\">" | awk 'BEGIN { FS = "<|>"; } { print $3; }'
评论
0赞
Fadyboy
9/15/2023
grep -P 是一个有效的选项，当我尝试它时，我得到这个 grep： 无效选项 -- P
0赞
Fadyboy
9/15/2023
尝试了 grep -p 并且它可以工作
0赞
Vlam
9/15/2023
在我的 Debian 上，-P 用于 Perl 正则表达式。
0赞
Ed Morton
9/19/2023
-P用于 PCRE，仅在 GNU grep 中可用。所使用的正则表达式没有任何特定于 PCRE 的内容，它只是一个普通的旧 BRE，因为 grep 默认使用，因此您可以删除 以提高性能和可移植性。在 shell 中引用的规则是使用单引号，直到/当您需要双引号时 - 如果您遵循该规则，则不需要转义正则表达式中的双引号 - 但是您在使用时也根本不需要，并且在使用任何一个时都不需要。-Pgrep '<th scope="col" class="text-center">'grepawkcat
1赞
Ed Morton
9/19/2023
为了演示最后一点 - 可以将多个命令的管道编写为单个命令cat email_resp.txt | grep -P "<th scope=\"col\" class=\"text-center\">" | awk 'BEGIN { FS = "<|>"; } { print $3; }'awk 'BEGIN { FS = "<|>"; } /<th scope="col" class="text-center">/{ print $3; }' email_resp.txt
0赞
Reilas
9/15/2023
#2
"...理想情况下，我想做的是将第 th 个标签之间的这些值提取到数组或变量中，以便我可以在其他地方使用它们。..."
您可以将 “--perl-regexp” 和 “--only-matching” 开关与 grep 一起使用。
grep -Po '(?<=<th scope="col" class="text-center">).+(?=</th>)' data.txt
158
139 (87.97%)
18 (11.39%)
0 (0.00%)
1 (0.63%)
0 (0.00%)
0赞
ashish_k
9/15/2023
#3
用：GNU sed
您可以在变量中捕获输出，如下所示：
var=$(sed -rn 's#.*class="text-center">(.*)</th>#\1#p' file_name)
解释：
-r use extended regular expressions in the script.
-n suppress automatic printing of pattern space
using '#' as separator and trying to capture only the required field inside '()' and printing the first captured group using \1
输出：
echo "$var"
158
139 (87.97%)
18 (11.39%)
0 (0.00%)
1 (0.63%)
0 (0.00%)
1赞
Chaitanya
9/15/2023
#4
如果你有 GNU Awk 4 及以上版本，你可以这样做：
$ sed 's/.*>\(.*\)<.*/\1/' markup.txt |
awk '
BEGIN{
PROCINFO["sorted_in"] = "@ind_num_asc"
}
{ arr[NR]=$0 }
END{
for (i in arr) print i, arr[i]
}
'
评论
0赞
Ed Morton
9/19/2023
使用 awk 时不需要 sed。 = 使用 GNU awk。不过，你对 awk 脚本的意图并不明显 - 它会打印它从中获得的输入，前面有行号，但或类似的东西可以做到这一点，即使在 awk 中它也只是sed 's/.*>\(.*\)<.*/\1/' file | awk '{arr[NR]=$0}'awk '{arr[NR]=gensub(/.*>(.*)<.*/,"\\1",1)}' filesedcat -nawk '{print NR, $0}'
1赞
ufopilot
9/15/2023
#5
#!/bin/bash
source <(
awk -F'<th scope="col" class="text-center">|</th>' '
BEGIN{print "declare -a myArr1=(" }
NF==3{print "\047"$2"\047"}
END{print ")"}
' file
)
declare -a myArr2="(
$(
awk -F'<th scope="col" class="text-center">|</th>' '
NF==3{print "\047"$2"\047"}
' file
)
)"
declare -p myArr1
declare -p myArr2
declare -a myArr1=([0]="158" [1]="139 (87.97%)" [2]="18 (11.39%)" [3]="0 (0.00%)" [4]="1 (0.63%)" [5]="0 (0.00%)")
declare -a myArr2=([0]="158" [1]="139 (87.97%)" [2]="18 (11.39%)" [3]="0 (0.00%)" [4]="1 (0.63%)" [5]="0 (0.00%)")
评论
0赞
Fadyboy
9/16/2023
Tx ufopilot，该片段可以满足我的需要source..
0赞
Ed Morton
9/18/2023
#6
使用任何 sed：
$ cat tst.sh
#!/usr/bin/env bash
readarray -t arr < <(
sed -n 's/.*<th scope="col" class="text-center">\(.*\)<\/th>.*/\1/p' "${@:--}"
)
declare -p arr
$ ./tst.sh file
declare -a arr=([0]="158" [1]="139 (87.97%)" [2]="18 (11.39%)" [3]="0 (0.00%)" [4]="1 (0.63%)" [5]="0 (0.00%)")
或者将 GNU awk 用于第 3 个参数：match()
$ cat tst.sh
#!/usr/bin/env bash
readarray -t arr < <(
awk '
match($0,/<th scope="col" class="text-center">(.*)<\/th>/,a) {
print a[1]
}
' "${@:--}"
)
declare -p arr
$ ./tst.sh file
declare -a arr=([0]="158" [1]="139 (87.97%)" [2]="18 (11.39%)" [3]="0 (0.00%)" [4]="1 (0.63%)" [5]="0 (0.00%)")
或者有各种使用AWK的选项，包括：
$ cat tst.sh
#!/usr/bin/env bash
readarray -t arr < <(
awk '
match($0,/<th scope="col" class="text-center">.*<\/th>/) {
print substr($0,RSTART+36,RSTART-36+RLENGTH-6)
}
' "${@:--}"
)
declare -p arr
$ ./tst.sh file
declare -a arr=([0]="158" [1]="139 (87.97%)" [2]="18 (11.39%)" [3]="0 (0.00%)" [4]="1 (0.63%)" [5]="0 (0.00%)")
评论
><