解析网站的linux脚本（url）

问题描述：

因此，有这个网站显示最受欢迎的网站。我正在尝试编写一个脚本，其中包含两个参数：第一个是html文件，第二个是文本文件。所有的网站网址应到第二个参数，所以在最后的文本文件应包含的东西，如：解析网站的linux脚本（url）

http://www.website1.com/ 
http://www.website2.com/ 
...

如果我说

cat argument1.html

这样的东西印：

<a href="http://babelfish.altavista.com/babelfish/trurl_pagecontent?lp=en_nl&url=http%3A%2F%2Fwww.100bestwebsites.org%2F"><img src="Holland.gif" height="33" width="50"><br>DUTCH</a></font></div></td> 
    <td width="10%"> 
    <div align="center"><font face="Arial, Helvetica, sans-serif" size="2"><a href="http://babelfish.altavista.com/babelfish/trurl_pagecontent?lp=en_el&url=http%3A%2F%2Fwww.100bestwebsites.org%2F"><img src="Greece.gif" height="33" width="50"><br>GREEK</a></font></div></td>

所以你们可以看到有一堆字符，但在中间的某个地方实际上是网站。我需要使用grep和sed。

任何帮助表示赞赏。我知道grep和sed的基础知识，但它只是基础知识是不够的。

要使用sed的是这样一个痛苦的屁股，你就是最好做到这一点使用python/perl/ruby ...其他任何东西。特别是因为你可能在同一行中有多个

我认为[这是一个适当的参考]（http://*.com/a/1732454/1270789）你正在尝试做什么。我认为，用''nokogiri''或'perl''''''''''''''''''''''''更好，而不是使用'grep'和'sed'来合适的HTML DOM解析器。 –

哈哈哈@ KenY-N - 我能说什么，伟大的思想都一样;） –

答

在这里你去那么：

cat argument1.html | grep -o '<a href=['"'"'"][^"'"'"']*['"'"'"]' | sed -e 's/^<a href=["'"'"']//' -e 's/["'"'"']$//'

或

cat argument1.html | grep -o '<a .*href=.*>' | sed -e 's/<a/\n<a/g' | sed -e 's/<a .*href=['"'"'"]//' -e 's/["'"'"'].*$//' -e '/^$/ d'

信用：Easiest way to extract the urls from an html page using sed or awk only

您能向我解释一下吗？ – Haz

解释正则表达式？我没有写这个，当我写了2个小时后的正则表达式时，我忘记了它的作用！我知道它的发现 s（第一grep），然后我迷路了#truth我通常用'python'来做这件事需要我

@Haz。如果你正在为学校做作业，而你现在有工作代码，那么你应该自己动手解剖代码，以便理解它。取出管道的前两个部分并剪切/粘贴到命令行上。看看输出，直到你理解了（在从你的类中查询你的sed文档之后）发生了什么，然后添加另一部分管道，并观察输出中的变化与已添加的代码的匹配情况。重复，直到你可以通过你的班级的期末考试！祝你好运。 – shellter

解析网站的linux脚本（url）

相关推荐