Текст между двумя тегами

У Вас действительно есть требование, которое гарантирует синтаксический анализатор HTML: необходимо проанализировать HTML. HTML Perl:: TreeBuilder, BeautifulSoup Python и другие просты в использовании, легче, чем запись сложных и хрупких регулярных выражений.

perl -MHTML::TreeBuilder -le '
    $html = HTML::TreeBuilder->new_from_file($ARGV[0]) or die $!;
    foreach ($html->look_down(_tag => "tr")) {
        print map {$_->as_HTML()} $_->content_list();
    }
' input.html

или

python -c 'if True:
    import sys, BeautifulSoup
    html = BeautifulSoup.BeautifulSoup(open(sys.argv[1]).read())
    for tr in html.findAll("tr"):
        print "".join(tr.contents)
' input.html

sed и awk не хорошо подходят для этой задачи, необходимо скорее использовать надлежащий синтаксический анализатор HTML. Например, hxselect из w3.org:

<htmlfile hxselect -s '\n' -c 'tr'

Если ruby доступно, можно сделать следующее

ruby -e 'puts readlines.join[/(?<=<tr>).+(?=<\/tr>)/m].gsub(/<\/?tr>/, "")' file

где file Ваш входной файл HTML. Команда выполняет остроту Ruby. Во-первых, это читает все строки из file и соединяет их со строкой, readlines.join. Затем от строки это выбирает что-либо между (но не включая) <tr> и <\/tr> это - один символ или дольше независимо от новых строк, [/(?<=<tr>).+(?=<\/tr>)/m]. Затем это удаляет любого <tr> или </tr> от строки, gsub(/<\/?tr>/, "") (это необходимо для вложенного дескриптора tr теги). Наконец, это печатает строку, puts.

Вы сказали, что синтаксический анализатор HTML не гарантирован для Вас, но это - очень простой в использовании Nokogiri с ruby и это делает команду более простой.

ruby -rnokogiri -e 'puts Nokogiri::HTML(readlines.join).xpath("//tr").map { |e| e.content }' file

-rnokogiri загрузки Nokogiri. Nokogiri::HTML(readlines.join) чтения все строки file. xpath("//tr") выбирает каждый tr элемент и map { |e| e.content } выбирает содержание для каждого элемента, т.е. между чем <tr> и </tr>.

grep

Чтобы получить содержимое внутри тега trпо нескольким строкам, сначала пропустите его через xargs, например:

curl -sL https://www.iana.org/ | xargs | egrep -o "<tr>.*?</tr>"

Чтобы вернуть только внутренний HTML, используйте:

curl -sL https://www.iana.org/ | xargs | grep -Po "<tr>\K(.*?)</tr>" | sed "s/..tr.//g"

^{Проверьте синтаксис для расширенных шаблоновperlre.}

^{Примечание. :Для повышения производительности вы можете использовать ripgrep, который имеет аналогичный синтаксис.}

pup

Пример использования pup(, в котором используются селекторы CSS):

pup -f myfile.html tr

Чтобы напечатать только текст без тегов, используйте:pup -f myfile.html tr text{}.

Вот несколько примеров сcurl:

curl -sL https://www.iana.org/ | pup tr text{}
pup -f <(curl -sL https://www.iana.org/) tr text{}

xpup

Пример использованияxpupдля синтаксического анализа HTML/XML (с поддержкой XPath):

xpup -f myfile.html "//tr"

если это просто краткий список <tr>s, это может помочь:

perl -ne 'print if /<tr>/../</tr>/' your.html > TRs.log

ура