如何修复shell脚本中的字符串(删除

Question

我是网络抓取有线电视调制解调器的HTML诊断页面源代码使用外壳脚本，我需要修复一些编码错误，这是由摩托罗拉做的。在许多页面中，有一些地方缺少输入标记末尾的结束>，这有点破坏了内容。因为</td>之前的值是动态的，所以我需要能够动态地修复标记。

示例字符串：<td bgcolor=#E7DAAC width=138 colspan=2><input type="text" name="NumberOfCpes" size="3" maxlength="3" value=253 </td>

看看它是如何以value=253 </td>结尾的

如何才能在整个页面中每次出现时都用">“替换空格？请记住，在其他地方，这些页面中的</td>前面会有一个空格，因此sed 's/ <\/td>/><\/td>/g'将无法正常工作。

谢谢你的帮忙

Answer 1

虽然它不是格式良好的HTML，但它不应该破坏您的工具-如果您使用的是正确的工具。

要解析HTML，您需要使用DOM解析器。我建议和它一起使用XPath。在Linux上，您可以从命令行使用libxml2-utils包中的xmllint。通过libxml2 (Linux上的公共xml库)可用的DOM解析器可以解析上述无效输入。

假设您想提取输入值：

xmllint --html --xpath '//input[@name="NumberOfCpes"]/@value' test.html

它报告一个超文本标记语言解析错误，您可以将该错误重定向到/dev/null

xmllint --html --xpath '//input[@name="NumberOfCpes"]/@value' test.html 2>/dev/null

但仍然会在stdout上给出正确的值：

value="253"

然而，当然令人恼火的是，该站点会生成无效的HTML。

Answer 2

使用sed的正则表达式和替换方法

sed -r 's#(<input[^>]+)[[:space:]]*<#\1>#g;s#[[:space:]]+([>])#\1#g'

如果你有下面的例子

<td bgcolor=#E7DAAC width=138 colspan=2><input type="text" name="NumberOfCpes" size="3" maxlength="3" value=253       </td>

您的输出将是

<td bgcolor=#E7DAAC width=138 colspan=2><input type="text" name="NumberOfCpes" size="3" maxlength="3" value=253>/td>`