特定のタグを使用してHTMLファイルから複数行の文字列を抽出する

特定のタグを使用してHTMLファイルから複数行の文字列を抽出する

<span class="style530">tagで始まり、tagで終わる文字列を抽出する必要があります</span>

sedコマンドを使用しましたが、目的の結果が得られませんでした。サンプルコードは次のとおりです。

<strong>
-
<span class="style530">
AA - 
This
is my
First
Heading</span></strong><br>
<span class="style530">
<strong>
*Some
text,*
<strong>
*text*</strong>, 
*text*
<strong>
*text*</strong>: 
<br>
<span class="style530">
<strong>
- This 
is my
Second Heading</strong></span><br>
<span class="style530">
<strong>
*Some
text,*
<strong>
*text*</strong>, 
*Here
is some
text.*
<strong>*text*</strong>: 
*Here is 
some
text*.<br>
<br>
<strong>
-
<span class="style530">
- This is
my Third
Heading</span></strong><br>

出力は次のようになります。

 AA - This is my First Heading
 - This is my Second Heading
 - This is my Third Heading

ありがとうございます!

答え1

正規表現は実際にHTMLを完全に解析しません。

というコマンドラインツールがあります。シデルXPathまたはCSSセレクタを使用して、目的の部分を抽出できます。

次のようなことはあなたが言うことをするでしょう:

./xidel test.html --extract '//span[@class="style530"]' --output-format bash

ただし、閉じられていない出力があるため、必要以上の出力が返されることに注意してください。<span class="style530">

答え2

これを行うには、HTMLParserを使用します。

#!/usr/bin/python
# vim: set fileencoding=utf8 :
# (c) fazie

from HTMLParser import HTMLParser
import re
import sys

class MyParser(HTMLParser):
    inside_span = False

    def __init__(self,file):
        HTMLParser.__init__(self)
        f = open(file)
        self.feed(f.read())

    def handle_starttag(self,tag,attrs):
        if tag == 'span':
            for name,value in attrs:
                if name=='class' and value=='style530':
                    self.inside_span=True

    def handle_data(self,data):
        data = data.strip(' \t\r\n')
        if data != "":
            if self.inside_span:
                data = re.sub('\n',' ',data)
                data = re.sub('\s\s+',' ',data)
                print data

    def handle_endtag(self,tag):
        if tag == 'span':
            self.inside_span=False

MyParser(sys.argv[1])

走る:

python myparser.py inputfile.html

答え3

以下のように試してみることができます。

awk -vRS='<' '
  inside || /^span[^>]*class="style530"/ {
    inside = 1
    if (/^span/)
      n++
    else if (/^\/span>/ && !--n) {
      $0="/span>\n"
      inside=0
    }
    printf "<%s", $0
  }' file.html | sed '/^</ d' | grep -v ">$"

ただし、抽出にHTMLヘッダーを使用することはお勧めできません。よりここHTMLページを解析しない理由HTMLヘッダを使用しcurlて削除すると、解析が簡単になります。w3m

答え4

xml / htmlテキストから簡単な抽出のためにxidelを使用したいと思います。CSSセレクター

この例では、span属性に単語を含むすべての要素を選択するには、次のようにします。classstyle530

xidel --css span.style530 --xml

xidel多くのオプションがあります。質問で提供される入力は少し騒々しいです。ノイズが少ないと--xml同様の結果が得られます。

<xml>
  <span class="style530">case 1 </span>
  <span class="menu style530 otherclass">case 2 </span>
  ...
</xml>

関連情報