Início / unix / Perguntas / 781489
Accepted
jsx97
Asked: 2024-08-06 23:09:13 +0800 CST

sed: Para combinar uma nova linha e espaços

  • 772

Eu tenho um seguinte arquivo:

<head>
  <title>this is a title</title>
  <style>
    here goes a style sheet
  </style>
</head>

Eu preciso retirar o <title>elemento dele, com sed. Atualmente eu uso

cat test.html | sed 's/<title>.*<\/title>//'

e funciona, mas não entendo como me livrar da linha em branco. Ou seja, atualmente a saída é

<head>
  
  <style>
    here goes a style sheet
  </style>
</head>

Considerando que eu quero que seja

<head>
  <style>
    here goes a style sheet
  </style>
</head>

Para isso, tentei adicionar \s*or \n*, usando tanto GNU quanto BSD sed,

cat test.html | sed 's/<title>.*<\/title>\s*//'

cat test.html | sed 's/<title>.*<\/title>\n*//'

mas isso não ajudou. O que estou fazendo de errado?

Editar: a <title>linha não precisa estar em uma linha separada. Ou seja, às vezes o arquivo inteiro pode ser apenas uma linha:

<head><title>this is a title</title><style>here goes a style sheet</style></head>

Nesse caso, a saída desejada é

<head><style>here goes a style sheet</style></head>
text-processing

3 respostas

  1. O scomando em sedmodifica linhas. Para excluir linhas, use o dcomando. Supondo que o titlenó, incluindo seu valor, esteja em uma única linha no documento de entrada, você poderia fazer isso com

    sed '\,<title>.*</title>,d' file

    (usando ,como um delimitador alternativo para o endereço a ser excluído.)

    Seria mais rápido (menos pensar) de usar grep -v:

    grep -v '<title>.*</title>' file

    Porém, por se tratar de um arquivo XML, eu usaria uma ferramenta que entendesse esse formato de documento estruturado. O texto abaixo usa xmlstarlete não se importa se o titlevalor do nó contém novas linhas ou se o próprio nó contém atributos. Ele excluiria apenas o titlenó abaixo do nó de nível superior heade nada mais, enquanto sedand grep, sem saber sobre a estrutura do documento, excluiria cegamente qualquer linha que correspondesse ao padrão fornecido.

    $ xmlstarlet edit --delete '/head/title' file
<?xml version="1.0"?>
<head>
  <style>
    here goes a style sheet
  </style>
</head>

    Se a adição da declaração XML for indesejada, use xmlstarletcom sua opção -O(ou ). --omit-declVocê também pode fazer edição "no local" com -L(ou --inplace).

    Com essas opções em vigor e usando sintaxe abreviada:

    $ xmlstarlet ed -O -L -d '/head/title' file
$ cat file
<head>
  <style>
    here goes a style sheet
  </style>
</head>

    Se o documento for um documento HTML (não XHTML, que já é XML), você poderá xmlstarletconvertê-lo em XML antes de editá-lo, usando

    xmlstarlet format --html file

    Por exemplo

    $ xmlstarlet format --html file | xmlstarlet edit --delete '/html/head/title'
<?xml version="1.0" standalone="yes"?>
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html>
  <head>
    <style><![CDATA[
    here goes a style sheet
  ]]></style>
  </head>
</html>

    Observe que precisamos usar o caminho /html/head/titleem vez do /head/title, porque o headnó deve estar contido em um htmlnó para que seja um arquivo XHTML válido (se fosse um arquivo XML desde o início, poderíamos obviamente pular esta etapa completamente).

    • 3
  2. Best Answer

    Se você não tem e não pode instalar ferramentas compatíveis com XML, use qualquer awk (uma ferramenta POSIX obrigatória, presente em todas as caixas Unix) e leia apenas 1 linha por vez na memória, assumindo que sua string de título esteja sempre em um única linha e nem <title>aparecem </title>em outros contextos nessa linha e não aparecem juntos em outros contextos em outras linhas, tudo que você precisa é:

    awk 'sub("<title>.*</title>","") && !NF{next} 1'

    O acima diz apenas "remova a string do título ( sub("<title>.*</title>","")) e se a linha resultante estiver vazia ( !NF), não imprima ( next)".

    Para demonstrar, usando este arquivo de entrada criado a partir de exemplos nas perguntas e respostas dos OPs:

    $ cat file
<head><title>this is a title</title><style>here goes a style sheet</style></head>

<head>
  <!-- beware of <title>! -->
  <title>this is a title</title>
    <style>
      p { color: red; }
    </style>
  <!-- beware of </title>! -->
</head>

    podemos ver as strings de título sendo removidas sem que linhas em branco sejam deixadas para trás e sem que o <style>recuo da linha subsequente seja alterado:

    $ awk 'sub("<title>.*</title>","") && !NF{next} 1' file
<head><style>here goes a style sheet</style></head>

<head>
  <!-- beware of <title>! -->
    <style>
      p { color: red; }
    </style>
  <!-- beware of </title>! -->
</head>

    A respeito de:

    Tentei adicionar \s* ou \n*, usando GNU e BSD sed,

    cat test.html | sed 's/<title>.*<\/title>\s*//'

    at test.html | sed 's/<title>.*<\/title>\n*//'

    mas isso não ajudou. O que estou fazendo de errado?

    No primeiro script que você está usando, \sque é uma extensão GNU não POSIX para sed como abreviação [[:space:]]e em ambos os scripts você está tentando corresponder a uma nova linha, mas sed lê cada linha de entrada, 1 linha por vez, em seu buffer para operação ativado para que não haja nova linha no buffer para sed corresponder ao seu regexp. Existem várias maneiras de lidar com isso no sed (GNU sed para -zler o arquivo inteiro na memória de uma só vez, ou alguma instrução sed para anexar linhas a um "espaço de espera", ou um bloco composto de ações baseado no resultado da substituição ), mas é mais claro, mais simples, mais eficiente e mais portátil usar apenas o awk.

    • 2

  3. Uma solução que encontrei é usar a -zopção:

    -z, --null-data: linhas separadas por caracteres NUL

    cat test.html | sed -z 's/<title>.*<\/title>\s*//'

    Observe que atualmente é suportado sedapenas pelo GNU. (E como eu uso o macOS, que é fornecido com utilitários BSD, ainda estou procurando outra coisa.)

    editar: Para resolver o problema mencionado por Kusalananda, precisamos tornar seda correspondência não gananciosa. Isso é possível usando o seguinte "hack":

    cat test2.html | sed -z 's/<title>[^>]*>\s*//'

    test2.html:

    <head>
  <title>this is a title</title>
  <style>
    p { color: red; }
  </style>
  <!-- beware of </title>! -->
</head>

    Você não precisa tomar cuidado com </title>isso.

    • -1

relate perguntas