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

sed：匹配换行符和空格

  • 772

我有以下文件：

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

我需要使用<title>来从中剥离元素sed。目前我使用

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

并且它可以工作，但我不明白如何去掉空白行。也就是说，目前输出是

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

但我希望如此

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

为此，我尝试使用 GNU 和 BSD添加\s*或\n*sed

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

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

但这没有帮助。我做错了什么？

编辑：此<title>行不必单独成行。也就是说，有时整个文件可能只有一行：

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

在这种情况下，期望的输出是

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

3 个回答

  1. 命令s修改sed行。要删除行，请使用命令d。假设title节点（包括其值）在输入文档中的一行上，您可以使用

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

    （用作,要删除的地址的替代分隔符。）

    但是使用以下方法会更快（不用思考）grep -v：

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

    但是，由于这是一个 XML 文件，因此我将使用能够理解这种结构化文档格式的工具。下面的代码使用xmlstarlet和 ，它不关心title节点的值是否包含换行符，也不关心节点本身是否包含属性。它只会删除title顶级head节点下面的节点，而不会删除其他节点，而sed和grep不知道文档的结构，会盲目删除与您指定的模式匹配的任何行。

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

    如果不想添加 XML 声明，请使用xmlstarlet其-O（或）选项。您还可以使用（或）--omit-decl进行“就地”编辑。-L--inplace

    使用这些选项，并使用缩短的语法：

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

    如果文档是 HTML 文档（不是 XHTML，后者已经是 XML），您可以xmlstarlet在编辑之前使用以下命令将其转换为 XML：

    xmlstarlet format --html file

    例如

    $ 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>

    请注意，我们需要使用路径/html/head/title而不是更短的路径/head/title，因为head节点必须包含在html节点中才能成为有效的 XHTML 文件（如果它从一开始就是 XML 文件，我们显然可以完全跳过这一步）。

    • 3
  2. Best Answer

    如果你没有并且无法安装 XML 感知工具，那么使用任何 awk（强制性的 POSIX 工具，存在于所有 Unix 机器上）并且每次只将 1 行读入内存，假设你的标题字符串始终在一行上，并且不会<title>出现</title>在该行的其他上下文中，也不会在其他行的其他上下文中一起出现，你所需要的只是：

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

    上面只是说“删除标题字符串（sub("<title>.*</title>","")）并且如果结果行是空（!NF）则不要打印它（next）”。

    为了演示，使用根据 OP 的问题和答案中的示例创建的输入文件：

    $ 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>

    我们可以看到标题字符串被删除，但没有留下空行，后续<style>行的缩进也没有发生变化：

    $ 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>

    关于：

    我尝试使用 GNU 和 BSD sed 添加 \s* 或 \n*，

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

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

    但这没有帮助。我做错了什么？

    在您使用的第一个脚本中，\s它是 sed 的非 POSIX GNU 扩展，是 的简写[[:space:]]，在这两个脚本中，您都试图匹配换行符，但 sed 每次将输入的每一行读入其缓冲区进行操作，因此缓冲区中没有换行符供 sed 与您的正则表达式匹配。在 sed 中有多种方法可以处理该问题（GNU sed-z一次将整个文件读入内存，或某些 sed 指令将行附加到“保留空间”，或基于替换结果的复合操作块），但使用 awk 更清晰、更简单、更高效、更便携。

    • 2

  3. 我发现的一个解决方案是使用以下-z选项：

    -z, --null-data: 用 NUL 字符分隔行

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

    请注意，它目前仅受 GNU 支持sed。（由于我使用的是 macOS，它随 BSD 实用程序一起提供，因此我仍在寻找其他东西。）

    编辑：为了解决 Kusalananda 提到的问题，我们需要使sed匹配不贪婪。这可以通过以下“技巧”实现：

    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>

    那么您不需要提防</title>。

    • -1

相关问题