如何通过bash从HTML文件中提取指定数量的匹配article标签节点

方案1：修改原有sed命令（改动最小） #

你可以直接在原有sed逻辑的基础上新增计数器功能，匹配到目标article起始标签时计数+1，计数超过你需要的数量时直接退出程序即可。
以提取前2个article为例，命令如下：

sed -n '/<article class.*article--nyheter/{p; :loop; n; /<\/article>/{p; x; s/^/1/; /^1\{2\}$/q; x; b}; p; b loop}' news2.html > top2Articles.html

你只需要修改命令中1\{2\}的数字2，替换为你要提取的前x个的数值即可，比如要提取前5个就改为1\{5\}。

方案2：awk实现（逻辑更易读） #

如果需要经常调整提取数量，awk的计数逻辑更直观，修改成本更低：

awk '
/<article class.*article--nyheter/ {count++}
count > 2 {exit}
count >= 1 {print}
' news2.html > top2Articles.html

同样将上述代码中的数字2替换为你需要的x值即可。

注意事项 #

• 上述方案仅适用于无嵌套article标签的HTML结构，和你原有提取全量article的命令适用场景完全一致
• 如果HTML存在标签属性换行、格式不规范的情况，建议先格式化HTML文件再执行上述命令，避免匹配失败

内容的提问来源于stack exchange，提问作者mohsinali1317