正则表达式解析xml时遇到的问题

baicj

比如这样一个字符串：
<AAA>TEST</AAA><BBB>Test</BBB><AAA>test</AAA><BBB>TesT</BBB>

正则表达式应该怎么写才能提取出“TEST”？

用sed 's/<AAA>\(.*\)<\/AAA>.*/\1/'只能得到：TEST</AAA><BBB>Test</BBB><AAA>test

另外，为什么sed 's/<AAA>\(.*\)<\/AAA>/\1/'得到的结果是TEST</AAA><BBB>Test</BBB><AAA>test<BBB>TesT</BBB>？
<BBB>TesT</BBB>是怎么来的？

__lxmxn__

1. sed -r 's:<AAA>([^<>]*)</AAA>.*:\1:'

复制代码

1. echo '<AAA>TEST</AAA><BBB>Test</BBB><AAA>test</AAA><BBB>TesT</BBB>'|perl -ne 'print $1 if m:<AAA>(.*?)</AAA>:'

复制代码

不知道sed的?有没有用...

springwind426

1. 
   
2. sed 's/<AAA>\([^<]*\)<\/AAA>.*/\1/'
   

复制代码

jinl

原帖由 baicj 于 2008-1-8 14:14 发表
比如这样一个字符串：
TESTTesttestTesT

正则表达式应该怎么写才能提取出“TEST”？

用sed 's/\(.*\).*/\1/'只能得到：TESTTesttest

另外，为什么sed 's/\(.*\)/\1/'得到的结果是TESTTesttestTesT？
...

正则表达式匹配 按照最长匹配原则 ，也就是说 “/<aaa>.*<aaa>/匹配最长的 <aaa>囊括的字符串
对于你给的输入和正则表达式：

<AAA>TEST</AAA><BBB>Test</BBB><AAA>test</AAA><BBB>TesT</BBB>


用sed 's/<AAA>\(.*\)<\/AAA>.*/\1/'
\1代表最长的<AAA>之间的字符 ： <AAA>TEST</AAA><BBB>Test</BBB><AAA>test</AAA>
所以只能得到：TEST</AAA><BBB>Test</BBB><AAA>test

另外，sed 's/<AAA>\(.*\)<\/AAA>/\1/'只替换了 <aaa>中间的部分，后面的 <bbb>部分没变化，自然
得到的结果是TEST</AAA><BBB>Test</BBB><AAA>test<BBB>TesT</BBB>？

[ 本帖最后由 jinl 于 2008-1-8 14:44 编辑 ]

davistar

1. 
   
2. 
   
3. echo 'string' | gawk '{print gensub(/<AAA>([^<]*)<\/AAA>.*/,"\\1",1)}'
   

复制代码

baicj

明白了，谢谢三位！
看来perl脚本可以解决这个问题。

另外，如果是<AAA><BBB>TEST</BBB></AAA><AAA></AAA>这种情况呢，sed有没有可能取出第一个AAA的内容？

ly5066113

原帖由 baicj 于 2008-1-8 14:53 发表
明白了，谢谢三位！
看来perl脚本可以解决这个问题。

另外，如果是TEST这种情况呢，sed有没有可能取出第一个AAA的内容？

这不和你的第一个问题一样么？

baicj

不好意思，理解错了…三位的表达式都没有问题，谢谢

baicj

= =！
刚才测试了一下<AAA><BBB>TEST</BBB></AAA><AAA></AAA>，的确sed和awk的表达式不行，因为有[^<]*

是不是正则表达式的最大匹配原则让这种情况不能实现？除非用扩展的正则表达式，比如perl?

jinl

原帖由 baicj 于 2008-1-8 15:11 发表
= =！
刚才测试了一下TEST，的确sed和awk的表达式不行，因为有[^

a
awk应该可以实现阿，
awk -F "<[\]?AAA>" '{ print $1}'

[ 本帖最后由 jinl 于 2008-1-8 15:22 编辑 ]