Shell：从 HTML 中提取一些代码

Question

我有一个 HTML 文件中的以下代码片段：

<div id="rwImages_hidden" style="display:none;">
    <img src="http://example.com/images/I/520z3AjKzHL._SL500_AA300_.jpg" style="display:none;"/>
    <img src="http://example.com/images/I/519z3AjKzHL._SL75_AA30_.jpg" style="display:none;"/>
    <img src="http://example.com/images/I/31F-sI61AyL._SL75_AA30_.jpg" style="display:none;"/>
    <img src="http://example.com/images/I/71k-DIrs-8L._AA30_.jpg" style="display:none;"/>
    <img src="http://example.com/images/I/61CCOS0NGyL._AA30_.jpg" style="display:none;"/>
</div>

我想

520z3AjKzHL
519z3AjKzHL
31F-sI61AyL
71k-DIrs-8L
61CCOS0NGyL

从 HTML 中提取代码。

请注意：必须使用 因为 HTML 文件中还有其他类似的 url，但我只使用 。

我的代码是：

cat HTML | grep -Po '(?<img src="http://example.com/images/I/).*?(?=.jpg" style="display:none;"/>)'

似乎有些问题。

Answer 1

您可以通过使用 正向向前看/向后看：

cat HTML | grep -Po "(?<=<img src=\"http://example.com/images/I/).*?(?=\._.*.jpg\" style=\"display:none;\"/>)"

---

演示：

• ideone.com 链接

---

正则表达式细分：

• .*? 勉强匹配所有字符
• (?<= 前面是
• (?=\._...ne;\ "/>) 后继 ._...ne;\"/>

Answer 2

我假设您正在寻找向后查找来开始，这就是引发错误的原因。

(?<=foo) 不是 (?。

这给出了您指定的结果情况，但我不知道您是否需要直到 JPG 为止：

cat HTML | grep -Po '(?<=img src="http://example.com/images/I/)[^.]*'

直到并排除 JPG 将是：

cat HTML | grep -Po '(?<=img src="http://example.com/images/I/).*(?=.jpg)'

Answer 3

如果您认为 gawk 是一个有效的 bash 解决方案：

awk -F'[/|\._]' -v img='/<img src="" style="display:none;"\/>/' '/img/{print $7}' file