私のtxtファイルには次の内容があります。
<ol><li><b><a href="/page1/Mark_Yato" title="Mark Yato">Mark Yato</a> ft. MarkAm & <a href="/page1/Giv%C4%93on" title="Givēon">Givēon</a> - <a href="/page1/Mark_Yato:Thuieo" title="Mark Yato:Thuieo">Thuieo</a> (7)</b></li>
<li><b><a href="/page1/The_Central" title="The Central">The Central</a> - <a href="/page1/The_Central:AHTIOe oie" title="The Central:AHTIOe oie">AHTIOe oie</a> (7)</b></li>
<li><b><a href="/page1/Taa_Too_A" title="Taa Too A">Taa Too A</a> - <a href="/page1/Taa_Too_A:ryhwtyw w" title="Taa Too A:ryhwtyw w">ryhwtyw w</a> (8)</b></li>
そして、次のように出力しようとしました。
Mark Yato ft. MarkAm & Givēon - Thuieo
The Central - AHTIOe oie
Taa Too A - ryhwtyw w
これを達成するためには、「<」、「>」とそれらの間のすべての項目を削除して、取得したいリストだけを残す必要があると思いました。
次のsedコマンドを試しました。
sed 's/<[^()]*>//g'
ただし、これは次の結果のみを出力します。
(7)
(7)
(8)
私が何を間違っていて、sedコマンドを修正したり、より適切な場合は、どのようにawkに変換できますか?
ベストアンサー1
正規表現を使用してタグを解析する悪名高い問題がある。
サンプルデータでは問題ありませんが、ラベルのプロパティ、説明、その他の場所に山かっこが表示され、正規表現の一致が<
信頼できなくなります>
。
タグパーサーを実装するツールを使用する必要があります。
例えば読書(バージョン> = 2.8)サンプルデータを使用します(欠落している</ol>
ラベルを追加しません)。
$ pandoc -f html -t plain file
Mark Yato ft. MarkAm & Givēon - Thuieo (7)
The Central - AHTIOe oie (7)
Taa Too A - ryhwtyw w (8)
その後、この出力をプレーンテキストで簡単に後処理することで、空白行やその他の不要な部分を削除できます。
$ pandoc -f html -t plain file |
sed -e '/^$/d' -e 's/[[:blank:]]*([[:digit:]]*)$//'
Mark Yato ft. MarkAm & Givēon - Thuieo
The Central - AHTIOe oie
Taa Too A - ryhwtyw w
バージョン2.8より前は、pandoc
フォーマットされた出力を生成するときにハイライトされたテキストをすべて大文字に変換するために使用されていましたplain
。リスト項目のタグは<b>
この動作をトリガーします(詳細は参照)。変更ログまたは関連犯罪GitHubから)。
実際の入力データに応じて、回避策は次のmarkdown
入力形式を明示的に使用することです。pandoc
pandoc -f markdown -t plain file
pandoc
または、自動的にデフォルト値が()に設定されることを暗黙的に考慮してくださいpandoc -t plain file
。