Синтаксис SED для удаления XML

Question

Я пытаюсь санировать этот вывод из его метаданных, чтобы подключить этот вывод к GreekTools, но я застреваю на sed.

curl --silent www.brainyquote.com | egrep '(span class="body")|(span class="bodybold")' | sed -n '6p; 7p; ' | sed 's/\<*\>//g'

[Бывший]

<span class="body">Literature is news that stays news.</span><br> <span class="bodybold">Ezra Pound</span>

Может ли кто-нибудь помочь мне в этом треке?

Answer 1

Просто для полноты, решение, использующее HTML tidy и xmlstarlet:

# note: use recent versions of tidy and xmlstarlet
curl -s www.brainyquote.com | 
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:td[@align='center' and @valign='top' and @width='300']/x:span[@class='body']" -v '.' -n \
-m "//x:html/x:body/x:div/x:table/x:tr[position()=2]/x:td[@align='center' and @valign='top' and @width='300']/x:span[@class='bodybold']" -v '.' -n

Answer 2

Вы действительно должны использовать правильный инструмент для разбора HTML или XML. Попытка разобрать его с помощью регулярных выражений приводит к безумию.

Однако для простых случаев:

curl --silent www.brainyquote.com | egrep 'span class="body' | sed -n '6,7{s/<[^>]*>//g;p}'

Для OS X:

curl --silent www.brainyquote.com | egrep 'span class="body' | sed -n '6,7{' -e 's/<[^>]*>//g' -e 'p' -e '}'

Это сработало для mjb:

curl --silent www.brainyquote.com | egrep '(span class="body")|(span class="bodybold")' | sed -n '6p; 7p; ' | sed -e 's/<[^>]*>//g'