Проблемы с регулярным выражением, соответствующие тегу HTML

Question

Итак, я пытаюсь использовать sed (его нужно использовать в этих системах, поэтому, пожалуйста, не просто рекомендуйте использовать Perl), чтобы соответствовать HTML-тегу и получать содержимое из него.HTML-теги выглядят примерно так:

<div class="SectionText"> Received poor service or think your current mechanic is ripping you off? Get some help from <a href="http://www.union.umd.edu/gradlegalaid/index.htm" target="_blank">Graduate Legal Aid</a> or consult the <a href="http://www.oag.state.md.us/Consumer/index.htm" target="_blank">Maryland Attorney General Office of Consumer Protection</a> at <a href="mailto:consumer@oag.state.md.us">consumer@oag.state.md.us</a> or through their hotline at 410-528-8662 or 888-743-0023.<br /></div>

Все в одной строке.Итак, я написал этот ... Но он не работает.

sed 's/<div class=\"SectionText\">\([^<\/div>]*\)<\/div>/\1/g'

Это не меняет текст.

Я пытался использовать этот сайт в качестве руководства - http://www.ibm.com/developerworks/linux/library/l-sed2/index.html (в RegExp Snafus) \

Самое важное для этого сценария строки НЕ быть жадным и соответствовать до последнего

Answer 1

Помимо попыток использовать регулярные выражения в html (см. RegEx соответствует открытым тегам, за исключением автономных тегов XHTML ), первые проблемы, которые я вижу, это:

[^<\/div>]*

Это означает совпадение с любыми символами , которые не <, /, d, i, v или >. И ясно, что у вас есть d и i там. ("Получи я ве д бедный серв ....")

Если вы используете для этого регулярное выражение и у вас есть очень контролируемый / прогнозируемый ввод, вы можете просто сделать [^<>], предполагая, что ваш текст не будет иметь эти персонажи. Но я вижу, что вы делаете, потому что у вас есть теги внутри вашего div ...

Но, если вы сделаете это:

sed 's/<div.class="SectionText">\(.*\)<\/div>/\1/g'

Это должно работать до тех пор, пока у вас нет нескольких </div> с. .* будет совпадать только до тех пор, пока не найдет <\/div>.

Answer 2

[^<\/div>]*

Это не делает то, что вы думаете, что делает.Это соответствует любой последовательности символов, которые не <, /, d, i, v или >.

. В Perl вы можете просто использовать .*?, нопоскольку sed не поддерживает несжадные совпадения, вам нужно написать что-то вроде этого:

sed 's#<div class="SectionText">\(\([^<]\|<[^/]\|</[^d]\|</d[^i]\|</di[^v]\|</div[^>]\)*\)</div>#\1#g'

Это говорит о «любой последовательности символов, которая не является < или < неза которым следует /, или за </ не следует d и т. д.

Излишне говорить, что это нечитаемый, не поддерживаемый и почти не записываемый кусок дерьма, и вы почти наверняка этого не сделаетеиспользовать его, но если вы абсолютно, безусловно, должны использовать регулярные выражения для анализа HTML и, безусловно, должны использовать sed, то здесь вы идете.