从XML文件中提取http链接的Regex

Question

我有一个xml文件，它有很多行，如：

<xhtml:link vip="true" href="http://store.vcenter.com/stores/en/product/tigers-midi/100" />

如何仅提取链接- http://store.vcenter.com/stores/en/product/tigers-midi/100

我尝试了http://www\.\.com[^<]+，但是它捕捉到了行尾之前的所有内容--包括引号和关闭的XML标记。

我把这个表达式和egrep连用。

Answer 1

不要用regex解析HTML，使用适当的XML/HTML解析器。

检查：使用带有HTML标记的正则表达式您可以使用以下内容之一：

• xmllint
• xmlstarlet
• saxon-lint

文件：

<root>
<xhtml:link vip="true" href="http://store.vcenter.com/stores/en/product/tigers-midi/100" />
</root>

使用xmllint的示例：

xmllint --xpath '//*[@vip="true"]/@href' file.xml 2>/dev/null

输出：

 href="http://store.vcenter.com/stores/en/product/tigers-midi/100"

如果您需要一个快速和脏的一次命令，您可以：

egrep -o 'https?://[^"]+' file