Comment extraire une chaîne en suivant un modèle avec grep, regex ou perl

J'ai un fichier qui ressemble à ceci:

    <table name="content_analyzer" primary-key="id">
      <type="global" />
    </table>
    <table name="content_analyzer2" primary-key="id">
      <type="global" />
    </table>
    <table name="content_analyzer_items" primary-key="id">
      <type="global" />
    </table>

J'ai besoin d'extraire tout ce qui se trouve dans les guillemets qui suivent name=, c'est-à-dire content_analyzer, content_analyzer2et content_analyzer_items.

Je fais cela sur une machine Linux, donc une solution utilisant sed, perl, grep ou bash est bien.

Puisque vous devez faire correspondre le contenu sans l'inclure dans le résultat (doit correspondre name=" mais ne fait pas partie du résultat souhaité), une forme de correspondance de largeur nulle ou de capture de groupe est requise. Cela peut être fait facilement avec les outils suivants:

Perl

Avec Perl, vous pouvez utiliser l' n option pour boucler ligne par ligne et imprimer le contenu d'un groupe de capture s'il correspond:

perl -ne 'print "$1\n" if /name="(.*?)"/' filename

Grep GNU

Si vous avez une version améliorée de grep, telle que GNU grep, vous pouvez avoir l' -Poption disponible. Cette option activera les expressions régulières de type Perl, vous permettant d'utiliser \Kce qui est un raccourci vers l'arrière. Il réinitialisera la position de correspondance, donc tout ce qui est avant sa largeur zéro.

grep -Po 'name="\K.*?(?=")' filename

L' o option fait que grep n'imprime que le texte correspondant, au lieu de la ligne entière.

Vim - Éditeur de texte

Une autre façon consiste à utiliser directement un éditeur de texte. Avec Vim, l'une des différentes manières d'y parvenir serait de supprimer les lignes sans name=puis d'extraire le contenu des lignes résultantes:

:v/.*name="\v([^"]+).*/d|%s//\1

Grep standard

Si vous n'avez pas accès à ces outils, pour une raison quelconque, quelque chose de similaire pourrait être réalisé avec grep standard. Cependant, sans le regard autour, il nécessitera un nettoyage plus tard:

grep -o 'name="[^"]*"' filename

Une note sur l'enregistrement des résultats

Dans toutes les commandes ci-dessus, les résultats seront envoyés à stdout. Il est important de se rappeler que vous pouvez toujours les enregistrer en le redirigeant vers un fichier en ajoutant:

> result

à la fin de la commande.

L'expression régulière serait:

.+name="([^"]+)"

Ensuite, le regroupement serait dans le \ 1

Si vous utilisez Perl, téléchargez un module pour analyser le XML: XML :: Simple , XML :: Twig ou XML :: LibXML . Ne réinventez pas la roue.

Un analyseur HTML doit être utilisé à cette fin plutôt que des expressions régulières. Un programme Perl qui utilise HTML::TreeBuilder:

Programme

#!/usr/bin/env perl

use strict;
use warnings;

use HTML::TreeBuilder;

my $tree = HTML::TreeBuilder->new_from_file( \*DATA );
my @elements = $tree->look_down(
    sub { defined $_[0]->attr('name') }
);

for (@elements) {
    print $_->attr('name'), "\n";
}

__DATA__
<table name="content_analyzer" primary-key="id">
  <type="global" />
</table>
<table name="content_analyzer2" primary-key="id">
  <type="global" />
</table>
<table name="content_analyzer_items" primary-key="id">
  <type="global" />
</table>

Production

content_analyzer
content_analyzer2
content_analyzer_items

cela pourrait le faire:

perl -ne 'if(m/name="(.*?)"/){ print $1 . "\n"; }'

Voici une solution utilisant HTML tidy et xmlstarlet:

htmlstr='
<table name="content_analyzer" primary-key="id">
<type="global" />
</table>
<table name="content_analyzer2" primary-key="id">
<type="global" />
</table>
<table name="content_analyzer_items" primary-key="id">
<type="global" />
</table>
'

echo "$htmlstr" | tidy -q -c -wrap 0 -numeric -asxml -utf8 --merge-divs yes --merge-spans yes 2>/dev/null |
sed '/type="global"/d' |
xmlstarlet sel -N x="http://www.w3.org/1999/xhtml" -T -t -m "//x:table" -v '@name' -n

Oups, la commande sed doit bien sûr précéder la commande tidy:

echo "$htmlstr" | 
sed '/type="global"/d' |
tidy -q -c -wrap 0 -numeric -asxml -utf8 --merge-divs yes --merge-spans yes 2>/dev/null |
xmlstarlet sel -N x="http://www.w3.org/1999/xhtml" -T -t -m "//x:table" -v '@name' -n

Si la structure de votre xml (ou du texte en général) est fixe, le moyen le plus simple est d'utiliser cut. Pour votre cas particulier:

echo '<table name="content_analyzer" primary-key="id">
  <type="global" />
</table>
<table name="content_analyzer2" primary-key="id">
  <type="global" />
</table>
<table name="content_analyzer_items" primary-key="id">
  <type="global" />
</table>' | grep name= | cut -f2 -d '"'