通过bash从html中提取信息

Question

我正在尝试编写一个可以从大型html文件中提取信息的bash脚本。我需要这个每天早上自动下载最新的报纸:)。 要下载最新的报纸，我必须知道它的ID。为了得到它，我必须解析指向它的链接。 我设法提取线，将保存该ID使用awk与

awk '/show.php\?id=/' index.html 

，并得到

<a href="show.php?id=914826">Latest Newspaper</a> 

所以我需要什么了这条线是“914826”。这就是我卡住的地方......我不认为我可以使用awk来提取不是整行，而是一个片段。

期待您的回答。 由于提前， 西蒙

Answer 1

这完全awk命令应该工作。对于匹配正则表达式的行，分割为=和"。拆分像这样在你的榜样行：

• 第一场将是：<a href=
• 第二场：[空白]
• 第三场：show.php?id
• 第四场：914826
• 和第五个领域： >Latest Newspaper</a>

所以打印第四个（arr[4] ）：

awk ' 
    /show.php\?id=/ { 
     split($0, arr, /[="]/); 
     print arr[4] 
    } 
' index.html 

Answer 2

使用grep：

grep -o 'id=[0-9]*' 

例子：

$ echo '<a href="show.php?id=914826">Latest Newspaper</a>' | grep -o 'id=[0-9]*' 
id=914826 

你可以用Perl做同样或sed的：

$ echo '<a href="show.php?id=914826">Latest Newspaper</a>' | perl -pe 's/.*id=([0-9]*).*/$1/' 
914826