删除我不想要的文字

Question

我的桌面上有一个很大的 html 文件，看起来像

src="http://images.alaablubnan.com/images/Balls/20.jpg"
alt="http://images.alaablubnan.com/images/Balls/20.jpg"/></a></td><td><a
href="http://images.alaablubnan.com/images/Balls/32.jpg"
target="_blank"><img
src="http://images.alaablubnan.com/images/Balls/32.jpg"
alt="http://images.alaablubnan.com/images/Balls/32.jpg"/></a></td><td><a
href="http://images.alaablubnan.com/images/Balls/30.jpg"
target="_blank"><img
src="http://images.alaablubnan.com/images/Balls/30.jpg"
alt="http://images.alaablubnan.com/images/Balls/30.jpg"/></a></td></tr><tr><td><table><tr><td>webpage/url</td><td>http://www.playlebanon.com/webservices/website/lotto/PopUps/HistoryDetail.aspx?t=1405536730503&FromDraw=1&ToDraw=1213&Draw=0</td></tr></table></td><td>2</td><td>complete
lotto results</td><td>complete lotto results</td><td>2</td><td><a
href="http://www.playlebanon.com/webservices/website/lotto/PopUps/HistoryDetail.

如果可能，我想：

• 获取所有 .jpg 文件，删除所有 html 代码（从 1.jpg、2.jpg... 到 42.jpg）
• 我想删除 .jpg 扩展名
• 我希望每行数字只有 7 个数字，然后插入新行

Answer 1

这实际上并不是一个特别好的工作，sed但这里有：

sed -nr 's#.*/([^"]+).jpg.*#\1#p' file 

以上将为您提供一个数字列表，每行一个：

20
20
32
32
32
30
30
30

现在，实际上可以使用每行 7 个数字将所有这些放在同一行上，sed但这确实不值得付出努力。只需使用标准的 *nix 工具：

$ echo $(sed -nr 's#.*/([^"]+).jpg.*#\1#p' file | tr $'\n' ' ') | fold -sw 21
20 20 32 32 32 30 30 
30

或者，如果您想删除重复项：

echo $(sed -nr 's#.*/([^"]+).jpg.*#\1#p' file | sort -u | tr $'\n' ' ')
20 30 32

解释

该sed命令使用了一些技巧：

• -n: 默认情况下不打印任何行。
• -r: 启用扩展的正则表达式，这让我们可以( )用来捕获组而无需转义括号和+“一个或多个”。
• s#from#to#: 虽然标准替换运算符 insed和其他类似工具是s/from/to/，但您可以使用非标准分隔符，以便您可以包含/在模式中。在这种情况下，我正在使用，#但您也可以使用其他类似的东西s|from|to|。
• s#.*/([^"]+).jpg.*#\1#p: 这将匹配从行首到 a 的所有内容/，然后捕获最长的一段非"字符直到.jpg。这是文件名减去扩展名。文件名被捕获在括号中，整行（因为.*在两边）将被捕获的模式 ( \1)替换。所述p在端部是指，将打印其中取代是成功的行。

不过，就我个人而言，我本来会首先完成所有这些工作perl：

$ perl -e '@k=grep(s/.*\/([^"]+).jpg.*/$1/s,<>); print "@k[0..6]\n@k[7..$#k]\n"' file 
20 20 32 32 32 30 30
30

或者，对于更大的文件：

$ perl -e '@k=grep(s/.*\/([^"]+).jpg.*/$1/s,<>); for($i=0;$i<=$#k;$i+=7){print "@k[$i..$i+7]\n"}' file 
20 20 32 32 32 30 30 30
30       

或grep甚至：

$ echo $(grep -oP '[^/]+(?=.jpg)' file | tr $'\n' ' ' ) | fold -w 21
20 20 32 32 32 30 30 
30

或者，窃取@Olli 的聪明xargs主意：

$ grep -oP '[^/]+(?=.jpg)' file |  xargs -n7 echo
20 20 32 32 32 30 30
30

Answer 2

我假设您正在尝试获取某种结果。在这个例子中只有三个球，我们可以通过围绕数字搜索Balls/<one-or-many-digits>和分组（\(..\)构造）然后用该组替换整个批次（这\1是对第一组的引用）来提取它们。

$ sed -n 's/.*Balls\/\([0-9]\+\).*/\1/gp' htmlfile | uniq | xargs -n7 echo
20 32 30

sed正在逐行通过此行。我要求它匹配并替换该行上的所有内容（这就是为什么我们用.*“任何数量的任何东西”来限制每个结尾）与组中匹配的任何内容。在-n和/p一起使用，不打印，除非线是比赛和/g手段它会继续匹配，直到它遇到文件的末尾。

如果您不熟悉正则表达式，这是一个相当复杂的示例。

我正在通过它，uniq因为那里有很多重复。

我| xargs -n7 echo最后使用将 7 个参数组合在一起并将它们全部传递到echo. 这里没有 7 个球，所以它只显示了 3 个。

它可能会减慢它的速度，但如果您使用以下-r扩展语法，您可以获得稍微更具可读性的表达式sed：

sed -nr 's/.*Balls\/([0-9]+).*/\1/gp' htmlfile | ...

做同样的事情，只是没有一些令人困惑的逃避。
可能会稍微慢一点。