gawk提取文件文本片段异常：空值与冗余内容排查及修复

问题原因拆解 #

1. a[1]和b[1]为空的根源 #

原代码中匹配a、b行的正则表达式强制要求行结尾为</a>，但实际HTML行的结尾是</a><br>，导致正则完全匹配失败，match函数无法捕获目标文本，因此a[1]、b[1]始终为空。

2. 冗余内容出现的原因 #

处理包含<div class='start'>的行时，代码先提取标记后的文本123赋值给t并设置flag=1，随后又进入flag==1的分支，将整行内容追加到t中，导致t重复包含了<b>d:</b> "ef"<br><br><div class='start'>123这部分冗余内容，后续行继续追加后，冗余部分被保留到最终输出。

修改后的gawk代码 #

gawk 'BEGIN {
    flag = 0; 
    t = ""; 
} 
{  
    # 匹配a行，移除行结尾限制，只捕获<a>标签内的文本
    if ($0 ~ /^<b>a:<\/b> <a class=\x27a\x27/) {
        match($0, /<b>a:<\/b> <a class=\x27a\x27 href=\x27\/a\/[0-9]+\x27>(.*)<\/a>/, a)
    }
    # 匹配b行，同理调整正则
    if ($0 ~ /^<b>b:<\/b> <a class=\x27b\x27/) {
        match($0, /<b>b:<\/b> <a class=\x27b\x27 href=\x27\/b\/[0-9]+\x27>(.*)<\/a>/, b)
    }
    # 处理start标记行，提取内容后跳过当前行的后续追加逻辑
    if ($0 ~ /<div class=\x27start\x27>/) {
        match($0, /^.*<div class=\x27start\x27>(.*)$/, s);
        t = s[1];
        flag = 1;
        next;
    }
    if (flag == 1) {
        if ($0 ~ /^<br><br><b>end<\/b>/) {
            str = a[1] ";" b[1] ";" t;
            print(str) > "output.txt";
            flag = 0; 
            str = ""; 
            t = "";
        } else {
            # 追加当前行内容
            t = t " " $0;
        }
    }
}' input.txt

修改说明 #

1. 调整匹配正则：移除对行结尾的限制，确保即使行尾有<br>也能精准捕获<a>标签内的文本，解决a[1]、b[1]为空的问题。
2. 添加next语句：处理<div class='start'>行时，提取目标文本后直接跳过当前行的后续处理，避免将整行内容重复追加到t，消除冗余内容。
3. 保持语法兼容：继续使用\x27转义单引号，确保在gawk 4.0.1环境下正常运行。

内容的提问来源于stack exchange，提问作者lyrically wicked