我想从html页面中提取所有锚标签.我在Linux中使用它.
lynx --source http://www.imdb.com | egrep "<a[^>]*>"
但是这没有按预期工作,因为结果包含不需要的结果
<a class="amazon-affiliate-site-name" href="http://www.fabric.com">Fabric</a><br>
我想要的
<a href >...</a>
有什么好办法吗？
解决方法:
如果grep中有-P选项以便它接受PCRE模式,那么你应该能够使用更好的正则表达式.有时像*这样的最小量词？帮助.而且,你得到整个输入线,而不仅仅是匹配本身;如果grep有-o选项,它将仅列出匹配的部分.
egrep -Po '<a[^<>]*>'
如果您的grep没有这些选项,请尝试
perl -00 -nle 'print $1 while /(<a[^<>]*>)/gi'
现在越过线边界.
要对HTML进行真正的解析,要求正则表达式比您希望在命令行中输入要复杂得多. Here’s one example和here’s another.这些可能无法说服你尝试非正则表达式方法,但它们至少应该告诉你在一般情况下比在特定情况下更难.
这个答案显示了为什么all things are possible, but not all are expedient.
