UNIXコマンドを使用してHTMLタグから特定のURLを抽出する方法

UNIXコマンドを使用してHTMLタグから特定のURLを抽出する方法

http://www.rediff.com/news以下のタグから<a>リンクを抽出したいと思います。

<a href="http://www.rediff.com/news" onclick="trackURL('http://track.rediff.com/click?url=___http://www.rediff.com/news___&cmp=news1_nav&lnk=news1_nav&nsrv1=ushome');return false;"><div class="n_tabnormal">News</div></a>

一部の Unix コマンドを使用します。これをハードコードしないでください。

答え1

XML/HTMLパーサーを使用することは、XML/HTMLデータを操作する正しい方法です。

xmlstarlet解決策:

sed 's/&/&amp;/g' yourfile | xmlstarlet sel -t -v '//a[div/text() = "News"]/@href' -n

出力:

http://www.rediff.com/news

  • sed 's/&/&amp;/g'- アンパサンドを&特殊文字でHTMLエンティティに変換

  • //a[div/text() = "News"]/@href- xpath式、ラベルにテキストを含む子ノードがある場合は、ラベルhrefの属性値を抽出します。adivNews

関連情報