从网页中取出指定文字

yinwei2012

例如：
有一个网页：
    ....
   <dd><a  href="/2323.html">中国人</a></dd>
    <dd><a  href="/2323.html">中国人</a></dd>
<dd><a  href="/2323.html">中国人</a></dd>
    ...


需要结果：
...
/2323.html          中国人
/2323.html          中国人
/2323.html          中国人
...
)
不知道为什么我的pattern单独是正确的，用在sed   grep 等里面就不行了(声明:我的终端cat的文件是乱码的,vim打开却不是,求解决方法,:wink:

yestreenstars

1. [root@localhost ~]# cat j
   
2.    <dd><a  href="/2323.html">中国人</a></dd>
   
3.     <dd><a  href="/2323.html">中国人</a></dd>
   
4. <dd><a  href="/2323.html">中国人</a></dd>
   
5. [root@localhost ~]# sed -r 's/.*href="([^"]*)">([^<]*).*/\1\t\2/' j
   
6. /2323.html      中国人
   
7. /2323.html      中国人
   
8. /2323.html      中国人
   
9. [root@localhost ~]#

复制代码

reyleon

1. sed -r '/href/!d;s/.*href="([^"]+)">([^<]+)<.*/\1\t\2/g'

复制代码

yinwei2012

回复 2# yestreenstars


    谢了，我明白了  是编码的问题。

reb00t

1. sed -rn 's#.*href="([^"]+).*>([^<]+).*#\1 \2#p' a.txt   
   
2. 
   
3. 第二个awk有点小问题，求大神指点。
   
4. 
   
5. awk -F'[<>]' '{sub(".*href="," ",$4);print $4,$5}' a.txt

复制代码