获取两个模式之间的字符串时出错

Question

我想在两个模式之间得到一个字符串。该模式是<p> </p>html 文件中的第一个环境。

<p>Sorcery, 
          R (1)
          </p>
        <p class="ctext"><b>As an additional cost to cast Goblin Grenade, sacrifice a Goblin.<br><br>Goblin Grenade deals 5 damage to target creature or player.</b></p>


      <p><i>Don't underestimate the aerodynamic qualities of the common goblin.</i></p>
      <p>Illus. Kev Walker</p>

该环境是文件的第一个环境，因此我丢弃匹配到的所有内容，<p>并且我想删除</p>.

name="goblin grenade"
wget -O- http://magiccards.info/query?q="$name" | grep -oP '<p>\K[^<]+'

我不知道为什么它不能正常工作。我得到

Sorcery, 
Illus. Kev Walker

Answer 1

不要使用正则表达式解析 HTML，而是使用适当的 HTML 解析器。

理论 ：

根据编译理论，不能使用基于有限状态机的正则表达式来解析 HTML 。由于 HTML 的层次结构，您需要使用下推自动机并使用YACC 等工具操作LALR语法。

realLife©®™ 日常工具：

相反，您应该使用正确的工具来完成正确的工作。

...这是xmllint的工作：

通过字符串匹配：

string="Sorcery"
xmllint --html --xpath "//p[contains(text(), '$string')]/text()" file_or_URL

通过<p>N 为 1的第 N 个节点：

xmllint --html --xpath "//p[1]/text()" file_or_URL

检查/sf/ask/121264391/