使用bash匹配标签内的标签

Posted 2023-03-15

【中文标题】使用bash匹配标签内的标签

【英文标题】：Match tag inside tag using bash

【发布时间】：2021-12-20 18:14:22

【问题描述】：

我有这个 html

<article class="article column large-12 small-12 article--nyheter">
    <a class="article__link" href="/nyheter/14343208/">
            
        <div class="article__content">
            <h2 class="article__title t54 tm24">Person har falt ned bratt terreng - luftambulanse er på vei</h2>
        </div>
    </a>
    
</article>
<article class="article column large-6 small-6 article--nyheter">
    <a class="article__link" href="/nyheter/14341466/">
            <figure class="image image__responsive" style="padding-bottom:42.075%;">

<img class="image__img lazyload" itemprop="image" title=""  src="data:image/gif;base64,R0lGODlhEAAJAIAAAP///wAAACH5BAEAAAAALAAAAAAQAAkAAAIKhI+py+0Po5yUFQA7" />

</figure>
        <div class="article__content">
            <h2 class="article__title t34 tm24">Vil styrke innsatsen mot vold i nære relasjoner</h2>
        </div>
    </a>
    
</article>

问题是我只想获取那些 html 标签，在本例中是文章标签，其中有一个子 img 标签。

我有这个 sed 命令

sed -n  '/<article class.*article--nyheter/,/<\/article>/p' onlyArticlesWithOutSpace.html > test.html

现在我想要实现的是只获取那些里面有 img 标签的文章标签。

我想要的输出是这样的

<article class="article column large-6 small-6 article--nyheter">
    <a class="article__link" href="/nyheter/14341466/">
            <figure class="image image__responsive" style="padding-bottom:42.075%;">

<img class="image__img lazyload" itemprop="image" title=""  src="data:image/gif;base64,R0lGODlhEAAJAIAAAP///wAAACH5BAEAAAAALAAAAAAQAAkAAAIKhI+py+0Po5yUFQA7" />

我不能使用任何 xml/html 解析器。只是想使用 sed、grep、awk 等。

</figure>
        <div class="article__content">
            <h2 class="article__title t34 tm24">Vil styrke innsatsen mot vold i nære relasjoner</h2>
        </div>
    </a>

</article>

【问题讨论】：

I want to get only those html tags, in this case article tags, which has a child img tag inside them: sed 不是解决此问题的正确工具。在 perl, python or php 中使用 HTML 解析器。

是的，我知道，但是就像我提到的那样，除了 sed、awk、grep 之外，我不能使用其他任何东西

【参考方案1】：

小心：使用 sed 解析 XML 是一个错误的好主意！

感谢Cyrus's comment 提供好的参考。

不管怎样，你可以试试这个：

sed -ne '/<article/ :a; N; /<\/article/ ! ba ; /<img/p ; '

【讨论】：

得到这个错误 sed: 2: "/