这里有一个非常基本的问题。所以我被告知一个点。匹配除换行符以外的任何字符。我正在寻找匹配任何字符的内容,包括换行符。
我想要做的就是捕获网站页面中两个特定字符串之间的所有文本,去掉页眉和页脚。例如页眉文本(.+)页脚文本,然后提取括号中的内容,但是我找不到一种方法来包括页眉和页脚之间的所有文本和换行符,这有意义吗?提前感谢!
发布于 2009-12-14 03:16:21
当我需要匹配几个字符时,包括换行符,我会这样做:
[\s\S]*?请注意,我使用的是非贪婪模式
发布于 2009-12-14 03:09:33
您可以使用Perl来完成此操作:
$ perl -ne 'print if /HEADER TEXT/ .. /FOOTER TEXT/' file.html若要仅打印分隔符之间的文本,请使用
$ perl -000 -lne 'print $1 while /HEADER TEXT(.+?)FOOTER TEXT/sg' file.html/s开关使正则表达式匹配器将整个字符串视为的单行,这意味着点匹配换行符,而/g表示匹配尽可能多的次数。
上面的示例假设您正在处理本地磁盘上的HTML文件。如果需要先获取它们,请使用LWP::Simple中的get
$ perl -MLWP::Simple -le '$_ = get "http://stackoverflow.com";
print $1 while m!<head>(.+?)</head>!sg'请注意,使用正则表达式解析在一般情况下是行不通的!如果您使用的是快速扫描程序,可以,但是对于需要更健壮的应用程序,请使用真正的解析器。
发布于 2009-12-14 03:12:18
根据定义,grep查找匹配的行;它读取一行,查看是否匹配,然后打印该行。
做您想做的事情的一种可能方法是使用sed
sed -n '/HEADER TEXT/,/FOOTER TEXT/p' "$@"这将从匹配“HEADER TEXT”的第一行打印到匹配“FOOTER TEXT”的第一行,然后迭代;'-n‘停止默认的'print each line’操作。如果页眉和页脚文本出现在同一行上,这将不能很好地工作。
要做您想做的事情,我可能会使用perl (但如果您愿意,也可以使用Python )。我会考虑吞噬整个文件,然后使用适当限定的正则表达式来查找文件的匹配部分。但是,'@gbacon‘给出的Perl一行代码几乎完全是上面'sed’脚本的Perl音译,比slurping更简洁。
https://stackoverflow.com/questions/1897374
复制相似问题