CLo*_*Los 4 grep bash text-processing regular-expression html
我已经下载了一个由网页上的脚本自动生成的 html 文件。该文件包含多个链接，包括指向我试图提取图像全名的图像的链接，例如
<a href="000000.jpg" title="image name.jpg" target="_blank">Image name.jpg</a>
从上面我想"Image name.jpg"存储在一个文件中。由于有数百个，我解析文件并存储每个名称，因为它出现以下命令：
grep -i -E -o "target=\"_blank\">([[:graph:]]*)\.(jpg|png|gif|webm)" "$thread" | cut -f 2 -d '>' | sed 's/ /_/g' - > "$names"
其中“ $thread”是html文件的名称，“ $names”是作为输出的文件名列表。我使用“ cut”删除'target="_blank">'部分，然后将空格转换为下划线。
由于文件中还有其他几个链接，我指定了要抓取的扩展名（图像和 webm）。其他一切都应该被忽略。我已经到了它只抓取这些链接的地步，但是它错过了一些。
某些文件包含空格和非字母数字字符。如果我使用[[:print:]]which 应该涵盖所有这些情况，我将一无所获，或者我得到了一些<head>html 部分而什么也没有。如果我使用[[:graph:][:space:]]，我也一无所获。如果我只是使用[[:graph:]]（如上），或者[[:alnum:][:punct:]]我可以获得带有字母数字/其他字符（如“ filenamewith(parenthesis).jpg”）但不是空格的文件，反之亦然，[[:alnum:][:space:]]可以使用但省略其他可打印字符（“ file name with spaces.jpg”可以使用，但不能“与（括号、逗号或其他.jpg”）。
据说[[:print:]]涵盖了所有情况，但我没有得到我需要的，如果我理解正确的话，
grep -E -o应该只匹配（根据上述情况）：
*.jpg *.png *.gif或*.webm
我试过grep有和没有-E/-o/-e不同的变化。
有任何想法吗？我正在使用 Arch Linux、grep 2.20、bash 4.3.18
最好的策略是使用一个合适的 html 解析器，它可以输出所有<a>标签的值。
这里，xmlstarlet特别是一个 XML 解析器，您的 HTML 可能不是格式良好的 XML，但您可能会明白：
echo '<html>
<a href="000000.jpg" title="image name.jpg" target="_blank">Image name.jpg</a>
</html>' | xmlstarlet sel -t -v //a
Image name.jpg