☰

Extraia várias sequências de linhas do arquivo HTML usando tags específicas

tag-icon • tag-icon html
Extraia várias sequências de linhas do arquivo HTML usando tags específicas

Preciso extrair a string que começa com a tag <span class="style530">e termina com </span>a tag.

Usei o comando sed, mas não obtive o resultado desejado. Abaixo está o código de exemplo:

<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>

A saída deve ser como:

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

Obrigado!

Responder1

Regex não é realmente capaz de analisar completamente o HTML.

Existe uma ferramenta de linha de comando chamadaxidelque permite usar seletores XPath ou CSS para extrair os bits desejados.

Algo assim atenderia ao seu requisito declarado:

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

Mas observe que isso retorna mais do que a saída necessária, pois você tem uma saída não fechada<span class="style530">

Responder2

Use HTMLParser para tais ações:

#!/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])

Executá-lo:

python myparser.py inputfile.html

Responder3

Você pode tentar algo como abaixo.

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

No entanto, não é aconselhável extrair usando cabeçalhos HTML. Por favor, vejaaquipor que você não deve analisar páginas HTML. Eu sugiro que você use curle w3mremova os cabeçalhos HTML, após o que a análise se tornará um pouco mais simples.

Responder4

Para extrações simples de textos xml/html eu gosto de usar xidel comSeletores CSS.

Neste exemplo, para selecionar todos spanos elementos com atributo classcontendo a palavra style530, podemos usar

xidel --css span.style530 --xml

xideltem muitas opções. A entrada fornecida pela pergunta é um pouco barulhenta. Em situações menos barulhentas, --xmlpodemos obter algo como

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

informação relacionada