XML中<file:write>标签path/Path字段提取至CSV的优化方法问询

我需要在XML文件中查找包含<file:write>的标签，这类标签里有path或Path属性。想把文件名和该属性的值提取到CSV文件里，但path/Path字段在标签里的位置不固定，用cut命令搞不定，求更好的实现方法。

当前执行的命令及输出：

find /opt/mortagage/application.xml -type f -exec egrep -ri "<file:write" /dev/null {} + |uniq| sed '/<!--.*-->/d' | sed '/<!--/,/-->/d'

输出结果：

/opt/mortagage/application.xml:              <file:write doc:id="16630" path="${file.location}" doc:name="Save file to directory">
/opt/mortagage/application.xml:                      <file:write doc:name="Write to complete folder" doc:id="18890" path='#["${file.completeLocation}" ++ vars.zipFileName]' config-ref="File_Config_completed">
/opt/mortagage/application.xml:                      <file:write doc:name="Write to complete folder" doc:id="19990" Path='#["${file.completeLocation}" ++ vars.zipFileName]' config-ref="File_Config_completed">

方法1：awk正则匹配（最灵活） #

试试用awk直接提取，它能精准匹配不固定位置的path/Path属性，还兼容单双引号包裹的值：

find /opt/mortagage/application.xml -type f -exec egrep -ri "<file:write" /dev/null {} + | uniq | sed '/<!--.*-->/d' | sed '/<!--/,/-->/d' | awk '
match($0, /^([^:]+):.*(path|Path)=([\'"])(.*?)\3/i, arr) {
    print arr[1] "," arr[4]
}' > output.csv

• 正则里的i表示忽略大小写，能同时匹配path和Path
• ([\'"])(.*?)\3用来捕获属性值，不管是单引号还是双引号包裹的内容都能准确提取
• 最后直接输出文件名,属性值的CSV格式，重定向到output.csv即可

方法2：sed替换提取（轻量快捷） #

如果更习惯sed，用扩展正则也能搞定：

find /opt/mortagage/application.xml -type f -exec egrep -ri "<file:write" /dev/null {} + | uniq | sed '/<!--.*-->/d' | sed '/<!--/,/-->/d' | sed -E '
s/^([^:]+):.*(path|Path)=([\'"])(.*?)\3.*/\1,\4/i
' > output.csv

• -E打开扩展正则，i忽略大小写匹配属性名
• 把整行内容替换成文件名,属性值，多余的标签内容直接丢弃

方法3：XML专用工具（最可靠） #

如果XML结构复杂，正则容易踩坑，推荐用xmllint（需要先装libxml2-utils包）来正经解析XML：

# 注意：如果file是命名空间，需要先声明，比如加上 --xpath 'declare namespace file="http://你的命名空间URI"; //file:write/@path | //file:write/@Path'
xmllint --xpath '//file:write/@path | //file:write/@Path' /opt/mortagage/application.xml | awk '
BEGIN {print "Filename,PathValue"}
{
    filename="/opt/mortagage/application.xml"
    match($0, /name="(path|Path)" value="(.*)"/i, arr)
    print filename "," arr[2]
}' > output.csv

• 用XPath直接定位目标属性，完全符合XML语法规则，不会因为标签属性顺序变化出错
• 如果XML里file是命名空间，记得在XPath里加上命名空间声明，不然会找不到标签

内容的提问来源于stack exchange，提问作者Praveen Kumar