如何从HTML文件中提取<RfcNumber>值并赋值给变量

你的sed命令逻辑错误，它是删除指定数字及后续内容，而非提取标签内的目标值。以下是几种可行的解决方案：

方法1：使用sed的捕获组 #

利用sed的正则捕获组匹配标签内容，仅提取目标数字：

rfc_number=$(sed -n 's/.*<d:RfcNumber>\([0-9]*\)<\/d:RfcNumber>.*/\1/p' test2.html)
echo $rfc_number

解释： #

• -n：只输出匹配到的行
• s/.*<d:RfcNumber>\([0-9]*\)<\/d:RfcNumber>.*/\1/p：
  • .* 匹配标签前的所有内容
  • \([0-9]*\) 捕获标签内的数字（括号需转义）
  • \1 引用捕获到的第一组内容，p 输出该行

方法2：使用grep的Perl兼容正则（PCRE） #

如果你的grep支持-P参数（大部分Linux发行版默认支持），可以更简洁地提取：

rfc_number=$(grep -oP '<d:RfcNumber>\K[0-9]+' test2.html)
echo $rfc_number

解释： #

• -o：只输出匹配到的部分
• -P：启用PCRE正则
• \K：忽略前面匹配的<d:RfcNumber>，只保留后面的数字部分

方法3：使用awk #

通过指定分隔符提取目标字段：

rfc_number=$(awk -F'<d:RfcNumber>|</d:RfcNumber>' '{print $2}' test2.html)
echo $rfc_number

解释： #

• -F'<d:RfcNumber>|</d:RfcNumber>'：将标签作为分隔符
• print $2：输出分割后的第二个字段，即标签内的数字

执行任意一种方法后，rfc_number变量就会存储提取到的数字（示例中的1200000910）。

内容的提问来源于stack exchange，提问作者gaurav sharma