如何使用Regex提取HTML标签之间的数据？

Question

我已经在我的课堂上分配了一些sed作业，离完成作业还有一步之遥。我试图想出一个解决方案，并且没有任何工作达到我即将放弃的程度。

基本上，在文件中我有......我应该替换此：

<b>Some text here...each bold tag has different content...</b> 

与

Some text here...each bold tag has different content... 

我找到了部分完成的，但我无法弄清楚如何使用sed（regexp）“回显”提取的内容。

我设法将内容替换得很好，但是当我试图实际输出HTML标签之间出现错误的内容时。

如果这很混乱，我真的很抱歉。我已经在这个项目几个小时了，现在变得有些沮丧。基本上，为什么这不起作用？

s/<b>.*<\/b>/.*/g 

我只是想输出没有粗体标签的内容。

非常感谢！

Answer 1

如果你想在替换中引用一部分正则表达式匹配，你需要将这部分正则表达式放到一个捕获组中，然后使用前面带有反斜杠的组编号引用它。请尝试以下操作：

s/<b>\(.*\)</b>/\1/g 

Answer 2

您需要使用捕获组，这是括号（）

所以，它只是这个：

s/<b>(.*)<\/b>/\1/g 

捕获组编号，从左到右，从1开始，并增加。

此语法是执行正则表达式的标准方法; sed的语法稍有不同。 sed命令是

sed 's/<b>\(.*\)<\/b>/\1/g' [file] 

或

sed -r 's/<b>(.*)<\/b>/\1/g' [file] 

当然，如果你只是想去掉粗体标记，其他的解决办法是只需更换用空格的HTML标签，像这样

sed 's/<\([^>]\|\(\"[^\"]\"\)\)*>//g' [file] 

（我不喜欢的sed的需要都逃不过）

s/<([^\]|(\"[^\"]\"))*>//g 

Answer 3

我认为这个问题应该发给SED的人。像这样：http://www.grymoire.com/Unix/Sed.html#uh-4