删除grep 输出中的标签

Question

我有一个 bash 脚本，它将在目录中的 .htm 或 .html 文件中查找电话号码（或者如果我想要的话，可以递归地向下）查找格式为 (ddd)ddd-dddd 或 ddd-ddd-dddd 的电话号码（其中d 代表数字）。

这是我的代码：

find ./ -maxdepth 1 -regex ".*\(html\|htm\)$" | xargs grep '\(([0-9]\{3\})\|[0-9]\{3\}\)[-]\?[0-9]\{3\}-[0-9]\{4\}'

输出是：

./dash_only_phone.htm:800-555-1212</p>
./paren_phone.htm:(800)555-1212</p>

我想知道如何更改 grep 命令以删除末尾的 html p 标签打印输出。

谢谢，

Answer 1

如果您的 grep 支持 Perl 兼容正则表达式，GNU 和 OS X grep 也支持：

grep -Po '(\([0-9]{3}\)|[0-9]{3})-?[0-9]{3}-[0-9]{4}(?=</p>)'

请注意转义中的更改（与 grep 类似或相同） -E）。

Answer 2

为什么不直接通过 sed 过滤器传递输出来删除它，如以下记录所示：

pax$ echo './dash_only_phone.htm:800-555-1212</p>' | sed 's?</p>$??'
./dash_only_phone.htm:800-555-1212

这将删除出现在一行的末尾。

Answer 3

您只需添加 -o 开关即可获取 IP

find ./ -maxdepth 1 -regex ".*\(html\|htm\)$" | xargs grep -o '\(([0-9]\{3\})\|[0-9]\{3\}\)[-]\?[0-9]\{3\}-[0-9]\{4\}'