如何提取多個時間或條件的HTML標籤之間的文本

Question

我一直在研究如何從html中提取標題標籤。我很清楚，正則表達式和html不會混合，並且可以使用grep。然而，我發現here的代碼，如下所示：

awk -vRS="</title>" '/<title>/{gsub(/.*<title>|\n+/,"");print;exit}' 

現在，這部作品找到標題標籤之間的文本只有一次。我想知道如何讓它在每一行上都能運行。我可以做一個cat file; while read line; do ...; done。但是，我知道這可能不是非常有效，因爲有更好的方法。

其次，在文件中我需要保留任何以字符串' - '開頭的行。我相信這需要awk添加「或」語句，以便它將匹配的標題標籤，並開始與任何線「 - 」

輸入文件應該是這樣的：

text text text <title>random text of the title 1</title> random html stuff 
--time-- 
xyz more random text <title>random text of the title 2</title> hmtl text 
--time-- 
some text <title>random text of the title 3</title> more text tags 
--time-- 
text here <title>random text of the title 4</title> random text html 
--time-- 

期望輸出：

<title>random text of the title 1</title> 
--time-- 
<title>random text of the title 2</title> 
--time-- 
<title>random text of the title 3</title> 
--time-- 
<title>random text of the title 4</title> 
--time-- 

我對awk沒那麼好，但我在學習。我知道應該有一個打印所有的選項，但這是我真正堅持的OR語句。如果您認爲效率更高，我可以接受sed或grep。任何幫助或方向，不勝感激。

Answer 1

對於你的給定輸入，grep足夠

$ grep -o '<.*>\|^--.*' ip.html 
<title>random text of the title 1</title> 
--time-- 
<title>random text of the title 2</title> 
--time-- 
<title>random text of the title 3</title> 
--time-- 
<title>random text of the title 4</title> 
--time-- 

• -o僅提取匹配部件
• <.*>從<高達在線路
• \|^--.*備用模式，如果符合開始最後>提取--獲得該行的所有內容

僅限制於title標籤，

grep -o '<title.*title>\|^--.*' ip.html