如何用grep命令查找XML标签值中的引号或撇号

需求说明 #

需要检查XML文本中，**标签值（即标签的>与<之间的内容）**是否存在单引号（'）或双引号（"），同时要避免误匹配标签属性里的引号（比如version="1.0"这类属性值的引号）。

给定测试XML：

<?xml version="1.0" encoding="UTF-8"?>
 <Document>
    <InnerDoc>
        <GrpHdr>
            <MsgId>aaa.xml</MsgId>
            <CreDtTm>2023-08-15T13:35:33.0Z</CreDtTm>
            <MsgRcpt>
                    <Id  value="111">
                    <OrgId>
                        <Othr>
                            <Id>asa-"-as'#</Id>
                        </Othr>
                    </OrgId>
                </Id>
            </MsgRcpt>
            <tag1 info = "AddInf1">Report Map = PRIOR DAY BALTRAN INCREMENTAL " - '</tag1>
            <tag2 info = "AddInf2">Report Map =  " - '</tag1>
        </GrpHdr>
    </InnerDoc>
</Document>

解决方案 #

使用带正向预查和反向预查的grep正则表达式，精准定位标签值区域：

grep -nP '(?<=>)[^<]*["\'][^<]*(?=<)' your_file.xml

命令解释 #

• -n：显示匹配行的行号
• -P：启用Perl兼容正则表达式（PCRE），支持正向/反向预查
• (?<=>)：反向预查，匹配前面是>的位置，确保我们在标签的闭合符号之后
• [^<]*：匹配任意非<的字符（因为标签值结束于下一个<）
• ["\']：匹配单引号或双引号
• (?=<)：正向预查，匹配后面是<的位置，确保我们在标签的起始符号之前

测试结果 #

针对给定的XML，该命令会输出以下行：

9:                            <Id>asa-"-as'#</Id>
13:            <tag1 info = "AddInf1">Report Map = PRIOR DAY BALTRAN INCREMENTAL " - '</tag1>
14:            <tag2 info = "AddInf2">Report Map =  " - '</tag1>

这些行都是标签值中包含引号的行，完全避开了属性里的引号（比如XML声明的version="1.0"、<Id value="111">里的引号都不会被匹配）。

补充说明 #

如果只需要判断是否存在匹配（不需要输出具体行），可以用-q参数静默模式，通过返回值判断：

grep -qP '(?<=>)[^<]*["\'][^<]*(?=<)' your_file.xml
# 执行后用echo $?查看结果，0表示存在匹配，1表示不存在

内容的提问来源于stack exchange，提问作者Vignesh Govindhan