bash - 複数のリンクを含むhtmlファイルからファイル名を抽出する

Question 1

最良の戦略は、<a>すべてのタグの値を出力できる適切なHTMLパーサーを使用することです。

これはxmlstarlet特にXMLパーサーです。 HTMLは正しい形式のXMLではないかもしれませんが、おそらく次のアイデアを得ることができます。

echo '<html>
<a href="000000.jpg" title="image name.jpg" target="_blank">Image name.jpg</a>
</html>' | xmlstarlet sel -t -v //a

Image name.jpg

Answer

最良の戦略は、<a>すべてのタグの値を出力できる適切なHTMLパーサーを使用することです。

これはxmlstarlet特にXMLパーサーです。 HTMLは正しい形式のXMLではないかもしれませんが、おそらく次のアイデアを得ることができます。

echo '<html>
<a href="000000.jpg" title="image name.jpg" target="_blank">Image name.jpg</a>
</html>' | xmlstarlet sel -t -v //a

Image name.jpg

Question 2

あなたの正規表現は

target="_blank">([[:graph:]]*)\.(jpg|png|gif|webm)

これは、リテラルテキストtarget="_blank">、空白以外の文字の数、最後に4つの文字列のうちの1つ、またはに.jpg一致します。たとえば、grep コマンドは次の行の太字を出力します。.png.gif.webm

<1つ...target="_blank">何か.jpg</a>
<1つ...target="_blank">a.gifted.child.txt</a>
<a … target="_blank">その他.jpg</a>
<1つ...target="_blank">something.jpg</a>+more.jpg

[[:print:]]代わりに使用すると、[[:graph:]]次のようになります。

<1つ...target="_blank">something.jpg</a>ウィブルウォブル<a … target="_blank">something else.jpg</a>

target …行の最初の一致ビットと最後の一致拡張子の間のすべての項目が一致します。

一致からHTMLマークアップ文字を除外する必要があります。

target="_blank">[^<>]*\.(jpg|png|gif|webm)</a>

GNU grepを使用すると、-Pオプションを使用して設定を取得できますパール正規表現、特に幅0のアサーション一致部分にそのテキストを含めずに、一部の定数テキストが前後に来ることを指定できます。

grep -o -P '(?<target="_blank">)[^<>]*\.(jpg|png|gif|webm)(?=</a>)'

<a>予期しない空白（たとえば、タグとクローズ文字の間、または改行文字の間に改行文字など）があると、</a>まだ失敗する可能性があります。することができます適切なHTMLパーサーを使用することをお勧めします。

たとえば、Pythonでは美しいスープ（テストされていません）：

import re, sys, BeautifulSoup
soup = BeautifulSoup(sys.stdin)
for hit in soup.find_all('a', target='_blank'):
    if re.match(r'.*\.(jpg|png|gif|webm)\Z', hit.string):
        print(hit.string)

同様のコードは次のように書くことができます。HTML::ParserPerlではノコチェルビーなどから

Answer