提取html中的文字

MYSQLER

源文件这样的:

1. 
   
2. <!--day 1--><table class="yuBaoTable" width="100%" border="0" cellspacing="0" cellpadding="0"><tr><td width="15%" rowspan="2" class="t0" style="background:#f4f7fc;"><a class="cyclePrediction">10日星期日</a></td><td width="12%" style="background:#f4f7fc;">白天</td><td width="10%"><a href="http://www.weather.com.cn/static/html/legend.shtml" target="_blank"><img src="/m2/i/icon_weather/29x20/d02.gif" /></a></td><td width="18%"><a href ="http://baike.weather.com.cn/index.php?doc-view-770.php" target="_blank">阴</a></td><td width="15%"><a href="http://baike.weather.com.cn/index.php?doc-view-1148.php" target="_blank"><b>高温 <strong>16<strong>℃</b></a></td><td width="15%"><a href="http://baike.weather.com.cn/index.php?doc-view-778.php" target="_blank">北风</a></td><td width="15%"><a href="http://baike.weather.com.cn/index.php?doc-view-778.php" target="_blank">3-4级</a></td></tr><tr><td style="background:#f4f7fc;">夜间</td><td><a href="http://www.weather.com.cn/static/html/legend.shtml" target="_blank"><img src="/m2/i/icon_weather/29x20/n00.gif" /></a></td><td><a href ="http://baike.weather.com.cn/index.php?doc-view-767.php" target="_blank">晴</a></td><td><a href="http://baike.weather.com.cn/index.php?doc-view-1386.php" target="_blank"><span>>低温 <strong>3<strong>℃</span></a></td><td><a href="http://baike.weather.com.cn/index.php?doc-view-778.php" target="_blank">无持续风向</a></td><td><a href="http://baike.weather.com.cn/index.php?doc-view-778.php" target="_blank">微风</a></td></tr></table><!--day 2-->

复制代码

要求抽出其中的天气信息格式如下：

10日星期日 白天 阴 高温  16 ℃ 北风 3-4级
夜间 晴 低温 3 ℃  无持续风向 微风

刚刚用awk提取，方法很笨，如下，想看看其它人的思路[

1. awk -F '</a>|</td>|><|">|<b>|<strong>|</b>|<span>|</span>' '{print $6,$9,$17,$22,$23,$24,$29,$33,"\n",$38,$46,$51,$52,$53,$58,$62}' file
   
2. 10日星期日 白天 阴 高温  16 ℃ 北风 3-4级
   
3. 夜间 晴 低温  3 ℃ 无持续风向 微风
   

复制代码

chenbin200818

请用专门的xml解析库 处理
如果用python，可用minixml或者 xml.parsers.expat

yinyuemi

回复 1# MYSQLER


    try:

1. grep -Po '(?<=\>)[^\<|\>]*(?=\<)' |tr '\n' ' '

复制代码

chenbin200818

刚才查了一下，可下载   xmlstarlet      这是SHELL   命令行的工具。

MYSQLER

请用专门的xml解析库 处理
如果用python，可用minixml或者 xml.parsers.expat
chenbin200818 发表于 2011-04-10 14:29

  给个python代码也行，谢谢

MYSQLER

回复  MYSQLER


    try:
yinyuemi 发表于 2011-04-10 14:31

    这个思路不错，学习，不过是在一行了，我自己修改一下就行

ziyunfei

echo `sed 's/<[^>]\+>//g' file`

昭襄王

1. grep -Eo '>[^<>]+<' t002|tr -s '\n><' ' '

复制代码

10日星期日 白天 阴 高温 16 ℃ 北风 3-4级 夜间 晴 低温 3 ℃ 无持续风向 微风