使用AWK检索特定XML标记之间的文本

这是我的问题：我有一个xml文件太重（60 MB），所以我想要检索特定标记之间的文本。使用AWK检索特定XML标记之间的文本

我的XML是这样的：所以我会检索属于PrimaryCategory标签，其中PrimaryCategoryID = 3

<PrimaryCategory> 
    <PrimaryCategoryID>3</PrimaryCategoryID> 
    <PrimaryCategoryName>Billets de concert</PrimaryCategoryName> 
    <PrimaryCategoryURL>http://www.viagogo.fr/Billets-de-concert</PrimaryCategoryURL> 
    <CategoryList> 
     <CategoryID>13632</CategoryID> 
     <CategoryName>Ron Sexsmith</CategoryName> 
     <CategoryURL>http://www.viagogo.fr/Billets-de-concert/Pop-Rock/Ron-Sexsmith-Billets</CategoryURL> 
     <CategoryImageURL>http://cdn1.viagogo.net/img/cat/1207/2/1.jpg</CategoryImageURL> 
     <CategoryDescription /> 
    </CategoryList> 
    <CategoryList> 
     <CategoryID>27605</CategoryID> 
     <CategoryName>Theme Park</CategoryName> 
     <CategoryURL>http://www.blalbalbla.com</CategoryURL> 
     <CategoryImageURL>http://www.blalbalbla.com</CategoryImageURL> 
     <CategoryDescription /> 
    </CategoryList> 
    <CategoryList> 
     <CategoryID>21935</CategoryID> 
     <CategoryName>Idina Menzel</CategoryName> 
     <CategoryURL>http://www.blalbalbla.com</CategoryURL> 
     <CategoryImageURL>http://www.blalbalbla.com</CategoryImageURL> 
     <CategoryDescription /> 
     <EventList> 
     <EventID>740520</EventID> 
     <EventName>Idina Menzel</EventName> 
     <EventDate>2015-06-26T20:00:00</EventDate> 
     <EventURL>http://www.blalbalbla.com</EventURL> 
     <VenueID>175</VenueID> 
     <VenueName>Bournemouth International Centre (BIC)</VenueName> 
     <VenueAddress>Exeter Road</VenueAddress> 
     <VenueCity>Bournemouth</VenueCity> 
     <VenueState /> 
     <VenueCountryCode>GB</VenueCountryCode> 
     <VenuePostCode>BH2 5BH</VenuePostCode> 
     <MinCurrentPrice>90.4500</MinCurrentPrice> 
     <MaxCurrentPrice>213.0700</MaxCurrentPrice> 
     <AvailableTickets>14</AvailableTickets> 
     <OnSaleDate>2014-12-03T18:24:00</OnSaleDate> 
     </EventList> 
<PrimaryCategory> 
    <PrimaryCategoryID>2</PrimaryCategoryID> 
    <PrimaryCategoryName>concert</PrimaryCategoryName> 
    <PrimaryCategoryURL>http://www.blalbalbla.com</PrimaryCategoryURL> 
    <CategoryList> 
     <CategoryID>13632</CategoryID> 
     <CategoryName>Ron Sexsmith</CategoryName> 
     <CategoryURL>http://www.blalbalbla.com</CategoryURL> 
     <CategoryImageURL>http://www.blalbalbla.com</CategoryImageURL> 
     <CategoryDescription /> 
    </CategoryList> 
    <CategoryList> 
     <CategoryID>25605</CategoryID> 
     <CategoryName>blablabal</CategoryName> 
     <CategoryURL>http://www.blalbalbla.coms</CategoryURL> 
     <CategoryImageURL>http://www.blalbalbla.com</CategoryImageURL> 
     <CategoryDescription /> 
    </CategoryList> 
    <CategoryList> 
     <CategoryID>21935</CategoryID> 
     <CategoryName>Idina Menzel</CategoryName> 
     <CategoryURL>hhttp://www.blalbalbla.com</CategoryURL> 
     <CategoryImageURL>http://www.blalbalbla.com</CategoryImageURL> 
     <CategoryDescription /> 
     <EventList> 
     <EventID>749820</EventID> 
     <EventName>Idina Menzel</EventName> 
     <EventDate>2015-06-26T20:00:00</EventDate> 
     <EventURL>http://www.blalbalbla.com0</EventURL> 
     <VenueID>175</VenueID> 
     <VenueName>Bournemouth International Centre (BIC)</VenueName> 
     <VenueAddress>Exeter Road</VenueAddress> 
     <VenueCity>Bournemouth</VenueCity> 
     <VenueState /> 
     <VenueCountryCode>GB</VenueCountryCode> 
     <VenuePostCode>BH2 5BH</VenuePostCode> 
     <MinCurrentPrice>90.4500</MinCurrentPrice> 
     <MaxCurrentPrice>213.0700</MaxCurrentPrice> 
     <AvailableTickets>14</AvailableTickets> 
     <OnSaleDate>2014-12-03T18:24:00</OnSaleDate> 
     </EventList> 
    </CategoryList> 
</PrimaryCategory>

所以我会检索属于PrimaryCategory其中PrimaryCategoryID = 3

来源

2015-02-06 lilian

这很可能使用awk，但它不是正确的工具。我建议你看看使用XML解析器。 – 2015-02-06 11:05:36

并非所有的计算机都安装了适当的工具，并且可以安装的工具有限制。作为一个例子，Ubuntu没有标准的'xmllint'。但我同意，最好的方法是使用正确的工具。 – Jotne 2015-02-06 12:00:34

发布预期的输出。我们可能并不都知道'检索特定标签之间的文本'和'检索标签'对您意味着什么。并减少你的样本输入 - 我敢肯定，它是十几行，每行20个字符，而不是50行100个字符，或者这将帮助我们更清楚地看到你的问题。 – 2015-02-06 13:36:41

尝试标签这一点，它会从你的xml文件如下检索PrimaryCategoryID元素的值，

grep -oP '(?<=>).*?(?=</PrimaryCategoryID>)' data.xml

你输出会，

来源

2015-02-06 11:14:34 Skynet

不要使用基于行的工具来处理XML，这将无法正常工作。没有人希望您的XML处理代码在空格转换，插入换行符或以不同顺序指定的标记时中断。

取而代之，请使用正确解析XML并使用XPath进行选择的工具。例如，xmllint：

xmllint --xpath '//PrimaryCategory[PrimaryCategoryID=3]' filename.xml

或xmlstarlet：

xmlstarlet sel -t -c '//PrimaryCategory[PrimaryCategoryID=3]' filename.xml

注意，这个希望您的输入是有效的XML，这在你的问题的片段是不是（也缺少结束标记）。我正在假设这是一个复制/粘贴错误。

来源

2015-02-06 11:22:18 Wintermute

这gnu awk（由于记录选择多个字符）应该做的：

awk -v RS="<PrimaryCategory>" '{split($1,a,"<|>")} a[3]==3 {print RT,$0}' file 
<PrimaryCategory> 
    <PrimaryCategoryID>3</PrimaryCategoryID> 
    <PrimaryCategoryName>Billets de concert</PrimaryCategoryName> 
    <PrimaryCategoryURL>http://www.viagogo.fr/Billets-de-concert</PrimaryCategoryURL> 
    <CategoryList> 
     <CategoryID>13632</CategoryID> 
     <CategoryName>Ron Sexsmith</CategoryName> 
     <CategoryURL>http://www.viagogo.fr/Billets-de-concert/Pop-Rock/Ron-Sexsmith-Billets</CategoryURL> 
     <CategoryImageURL>http://cdn1.viagogo.net/img/cat/1207/2/1.jpg</CategoryImageURL> 
     <CategoryDescription /> 
    </CategoryList> 
    <CategoryList> 
     <CategoryID>27605</CategoryID> 
     <CategoryName>Theme Park</CategoryName> 
     <CategoryURL>http://www.blalbalbla.com</CategoryURL> 
     <CategoryImageURL>http://www.blalbalbla.com</CategoryImageURL> 
     <CategoryDescription /> 
    </CategoryList> 
    <CategoryList> 
     <CategoryID>21935</CategoryID> 
     <CategoryName>Idina Menzel</CategoryName> 
     <CategoryURL>http://www.blalbalbla.com</CategoryURL> 
     <CategoryImageURL>http://www.blalbalbla.com</CategoryImageURL> 
     <CategoryDescription /> 
     <EventList> 
     <EventID>740520</EventID> 
     <EventName>Idina Menzel</EventName> 
     <EventDate>2015-06-26T20:00:00</EventDate> 
     <EventURL>http://www.blalbalbla.com</EventURL> 
     <VenueID>175</VenueID> 
     <VenueName>Bournemouth International Centre (BIC)</VenueName> 
     <VenueAddress>Exeter Road</VenueAddress> 
     <VenueCity>Bournemouth</VenueCity> 
     <VenueState /> 
     <VenueCountryCode>GB</VenueCountryCode> 
     <VenuePostCode>BH2 5BH</VenuePostCode> 
     <MinCurrentPrice>90.4500</MinCurrentPrice> 
     <MaxCurrentPrice>213.0700</MaxCurrentPrice> 
     <AvailableTickets>14</AvailableTickets> 
     <OnSaleDate>2014-12-03T18:24:00</OnSaleDate> 
     </EventList>

它分割使用<PrimaryCategory>作为记录分隔的文件。
然后，如果字段1包含数字3，打印分隔符和行的其余部分

来源

2015-02-06 11:24:14 Jotne

使用AWK检索特定XML标记之间的文本

回答

相关问题