如何使用bash下sed/awk/grep等工具提取内含img标签的article标签

你可以用awk或者sed实现需求，两种方案如下：

方案1：使用awk（兼容性更好，逻辑更易读） #

运行命令：

awk '/<article class.*article--nyheter/{buf="";f=1} f{buf=buf $0 ORS} /<\/article>/{f=0; if(buf ~ /<img /) print buf}' onlyArticlesWithOutSpace.html > test.html

命令逻辑说明：

• 匹配到符合class规则的article起始标签时，清空内容缓存、标记进入article块
• 在article块内时，逐行把内容存入缓存
• 匹配到article结束标签时，标记退出块，检查缓存中是否包含<img 子串，存在则输出整个缓存的article块内容

方案2：使用GNU sed #

运行命令：

sed -n '/<article class.*article--nyheter/{:a;N;/<\/article>/!ba;/<img /p}' onlyArticlesWithOutSpace.html > test.html

命令逻辑说明：

• 匹配到article起始标签后，循环读取后续行直到凑齐完整的article闭合块
• 检查完整块中是否包含<img 子串，存在则输出整个块

注意：以上命令仅适配无嵌套article标签、结构固定的输入内容，符合你提供的样例格式场景。

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