☰

特定のタグを使用して HTML ファイルから複数行の文字列を抽出する

tag-icon • tag-icon html
特定のタグを使用して HTML ファイルから複数行の文字列を抽出する

タグで始まり<span class="style530">、</span>タグで終わる文字列を抽出する必要があります。

sed コマンドを使用しましたが、期待した結果が得られませんでした。以下はサンプル コードです。

<strong>
-
<span class="style530">
AA - 
This
is my
First
Heading</span></strong><br>
<span class="style530">
<strong>
*Some
text,*
<strong>
*text*</strong>, 
*text*
<strong>
*text*</strong>: 
<br>
<span class="style530">
<strong>
- This 
is my
Second Heading</strong></span><br>
<span class="style530">
<strong>
*Some
text,*
<strong>
*text*</strong>, 
*Here
is some
text.*
<strong>*text*</strong>: 
*Here is 
some
text*.<br>
<br>
<strong>
-
<span class="style530">
- This is
my Third
Heading</span></strong><br>

出力は次のようになります。

 AA - This is my First Heading
 - This is my Second Heading
 - This is my Third Heading

ありがとう！

答え1

正規表現では実際には HTML を完全に解析することはできません。

というコマンドラインツールがありますキシデルXPath または CSS セレクターを使用して必要な部分を取り出すことができます。

次のようなものが、あなたが述べた要件を満たすでしょう:

./xidel test.html --extract '//span[@class="style530"]' --output-format bash

ただし、閉じられていないものが1つあるため、必要な出力よりも多くの出力が返されることに注意してください。<span class="style530">

答え2

このようなアクションには HTMLParser を使用します。

#!/usr/bin/python
# vim: set fileencoding=utf8 :
# (c) fazie

from HTMLParser import HTMLParser
import re
import sys

class MyParser(HTMLParser):
    inside_span = False

    def __init__(self,file):
        HTMLParser.__init__(self)
        f = open(file)
        self.feed(f.read())

    def handle_starttag(self,tag,attrs):
        if tag == 'span':
            for name,value in attrs:
                if name=='class' and value=='style530':
                    self.inside_span=True

    def handle_data(self,data):
        data = data.strip(' \t\r\n')
        if data != "":
            if self.inside_span:
                data = re.sub('\n',' ',data)
                data = re.sub('\s\s+',' ',data)
                print data

    def handle_endtag(self,tag):
        if tag == 'span':
            self.inside_span=False

MyParser(sys.argv[1])

それを実行します：

python myparser.py inputfile.html

答え3

以下のようなものを試すことができます。

awk -vRS='<' '
  inside || /^span[^>]*class="style530"/ {
    inside = 1
    if (/^span/)
      n++
    else if (/^\/span>/ && !--n) {
      $0="/span>\n"
      inside=0
    }
    printf "<%s", $0
  }' file.html | sed '/^</ d' | grep -v ">$"

ただし、HTMLヘッダーを使用して抽出することはお勧めできません。ここHTML ページを解析すべきでない理由については、 を使用しcurl、w3mHTML ヘッダーを削除することをお勧めします。その後、解析が少し簡単になります。

答え4

xml/htmlテキストからの単純な抽出には、xidelを使います。CSSセレクター。

この例では、属性に単語を含むすべてのspan要素を選択するには、次のようにします。classstyle530

xidel --css span.style530 --xml

xidelには多くのオプションがあります。質問によって提供される入力は少しノイズが多いです。ノイズが少ない状況では、--xml次のようなものが得られるかもしれません。

<xml>
  <span class="style530">case 1 </span>
  <span class="menu style530 otherclass">case 2 </span>
  ...
</xml>

関連情報