sed 正規表示式刪除特殊字符

Question

我有一個包含多個來自 HTML 格式文字的字串的文件，因此它們有一些在控制台介面中看起來不太好的 HTML 序列。這是一個例子：

Text1™
[Text®2]
Text:3

我正在嘗試的是刪除 & 和 ; 之間的所有內容。因此文本再次可讀，如下所示：

Text1
Text2
Text3

我實際上正在嘗試使用 sed 刪除多餘的字元：

sed 's#&*;##g' <file>

問題是它只刪除了 ;來自文字字串。

那麼問題是，應該如何對正規表示式進行編碼才能刪除額外的鏈：&#[1-9]+;

Answer 1

你的正規表示式

sed 's#&*;##g' <file>

不做你認為它會做的事。該*字元是一個乘數，表示前面的字元重複 0 次或多次。前一個字元是&，所以這會匹配例如&&&;and ;（&之前寫了 0 次;！這是您的測試案例中匹配的內容），但在這種情況下不是您想要的。

您需要指定“任何乘數之前的字元”，由單點 表示.。

$ echo 'Text:3' | sed 's#&.*;##g'
Text3

---

這是第一個問題。第二個是所謂的「貪婪」匹配的概念：sed將看到第一個&，然後嘗試匹配它可以匹配的最大字串。如果單行上有多個 HTML 實體，這將是一個問題，因為：

$ echo 'Text:3 and some more text å and end' | sed 's#&.*;##g'
Text and end

如果您想在上下文中查看修復sed，您可以透過匹配任意數量的“來查找實體的結束字符不是 ;" 在結束之前;執行以下操作：

$ echo 'Text:3 and some more text å and end' | sed 's#&[^;]*;##g'
Text3 and some more text  and end

---

&您仍然會遇到文本中與號 ( ) 的合法使用問題（嗯，&這是真正的“合法”使用，但現實世界並不總是像理想的那樣可解析）並且匹配太多，但這解釋了為什麼sed會有這樣的行為。

Answer 2

用實際字元替換代碼不是更好嗎？

echo 'Text1™
[Text®2]
Text:3' | perl -C -pe 's/&#([^;]*)/chr$1/eg'

輸出：

Text1™;
[;Text®;2];
Text:;3