我想从表http://www.amiriconstruction.co.uk/goodwoodgolf/scoretable.htm中将文本从Mac OS X命令行中以纯文本形式提取为无纺织品。从HTML中提取文本表
我尝试了很多sed命令,但sed只会再次打印整个文件。我究竟做错了什么?
的是我的尝试例
sed -n '/<tr>/,/<\/tr>/p' scoretable.htm
(将只打印表格内容用html标签:()
我想从表http://www.amiriconstruction.co.uk/goodwoodgolf/scoretable.htm中将文本从Mac OS X命令行中以纯文本形式提取为无纺织品。从HTML中提取文本表
我尝试了很多sed命令,但sed只会再次打印整个文件。我究竟做错了什么?
的是我的尝试例
sed -n '/<tr>/,/<\/tr>/p' scoretable.htm
(将只打印表格内容用html标签:()
小TXR网页抓取,随着wget
帮助抢页:
@(deffilter nobr ("<br />" ""))
@(deffilter brsp ("<br />" " "))
@(deffilter nosp (" " ""))
@(next "!wget 2>/dev/null -O - http://www.amiriconstruction.co.uk/goodwoodgolf/scoretable.htm")
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
@(skip)
<div class="scoreTableArea">
@(collect)
<h2 class="unify">@year - @event</h2>
@ (filter brsp event)
@ (collect)
<tr>
<td class="center">@pos</td>
<td>@player</td>
<td>@company</td>
<td>@date</td>
<td class="center">@points</td>
</tr>
@ (filter nobr player company date points)
@ (filter nosp pos points)
@ (until)
</tbody>
@ (end)
@(end)
@(output :filter :from_html)
@ (repeat)
Event: @event
Year: @year
DATE POS PT PLAYER COMPANY
@ (repeat)
@{date -10} @{pos -2} @{points 2} @{player 16} @company
@ (end)
@ (end)
@(end)
采样运行:
$ txr scoretable.txr
Event: Teeing off to Clobber Ken
Year: 2011
DATE POS PT PLAYER COMPANY
Sept 2011 1 40 John Durrant King Sumners Partnership
Sept 2011 2 34 Grahame Pettit Amiri Construction
Oct 2011 3 31 Tony Deacon Gleeds
Oct 2011 4 29 Tony Boyle Lacey Hickey Caley
Oct 2011 5 29 Richard Hemming Scott White and Hookins
Sept 2011 6 29 Ian McCoy Selway Joyce
June 2011 7 27 Julian Larkin C&G Properties
Sept 2011 8 25 Roque Menezes Capita Symonds
June 2011 9 22 Shawn Lambert PWP Architects
Sept 2011 10 22 Kevin Lendon Amiri Construction
Event: Ken Watson (HNW Architects) Undisputed Amiri Golf Demon of the Downs
Year: 2010
DATE POS PT PLAYER COMPANY
2010 1 40 Ken Watson HNW Architects
2010 2 37 David Heda London Clancy
2010 3 34 Gordon Brown Currie & Brown
2010 4 32 Alistair Taylor Wildbrook Properties
5 30 Andy Goodridge City Estates
6 25 Russ Pitman Henderson Green
7 24 Phil Piper Piper Whitlock
8 23 Kevin Miller Urban Pulse Architects
9 19 Simon Asquith Godsall Arnold Partnership
10 19 Shawn Lambert PWP Architects
11 18 Martin Judd Davis Langdon
sed -n 's;</\?td>;;gp' scoretable.html | \
sed -e 's;<td class="center">;;' \
-e 's;<.*>;;'
请注意,我使用;
而不是/
作为我的分隔符 - 我觉得它更容易阅读。 Sed会使用你在's
作为分隔符后放置的任何字符。
好的,现在解释一下。第一行:
-n
将压制输出,但命令末尾的p
告诉sed专门打印所有与该模式匹配的行。这将使我们只有包裹在<td>
标签中的行。同时,我发现任何与</\?td>
相匹配的东西,并且什么都不代替。 /\?
意味着/
不能出现或只出现一次,所以这将匹配开始和结束标签。末尾的g
或全局意味着它不会停止尝试匹配第一次排成一行后的模式。没有g
它只会替换开始标签。
从这个输出被管道输送到第二行再次sed的:
-e
只是指定有一个编辑命令来运行。如果你只是运行一个命令,那么我就运行两个命令(下一个命令在第三行)。
这消除<td class="center">
,下一行删除任何其他标记(在这种情况下<br>
标签。
如果你确定有最多只有一个标签上一行的最后一个命令只能运行否则,.*
将贪婪的比赛太多,所以在:
<td class="center">24 </ br>
它会匹配整行,并删除一切
你看相关的问题([1](HTTP: //stackoverflow.com/questions/6854586/提取数据从html表与bash脚本),[2](http://stackoverflow.com/questions/10053793/how-can-i-extract-td-from-html-in-bash )等)? – 2012-04-07 14:56:52