如何使用grep递归查找包含带引号、换行的长HTML字符串的文件

需求说明 #

需要递归查找所有包含如下HTML代码片段的文件：

<html id="blx-5fb3c619e82a2863d6567c52-000000001" class="blx-5fb3c619e82a2863d6567c52">
    <head>
    <meta charset="utf-8">
    <meta name="google" value="notranslate">

原有问题命令 #

尝试执行以下命令未成功：

grep --include=\*.html -FRnw "/path-to-dir" -e '<html id="blx-5fb3c619e82a2863d6567c52-000000001" class="blx-5fb3c619e82a2863d6567c52">\n    <head>\n    <meta charset="utf-8">\n    <meta name="google" value="notranslate">'

错误原因 #

• grep默认是单行匹配模式，不会识别匹配内容里的\n换行符，固定字符串匹配模式（-F参数）下也不会解析转义字符，引号内的\n只会被当成普通的\加n字符处理，无法匹配文件中的真实换行
• -w参数要求匹配结果为完整单词，HTML标签属性值两端为引号，不符合单词边界规则，直接阻断匹配

解决方案 #

方案1：使用pcre2grep（兼容性更好） #

支持原生多行匹配，还可以兼容不同文件的缩进差异：

pcre2grep -r --include="*.html" -M '<html id="blx-5fb3c619e82a2863d6567c52-000000001" class="blx-5fb3c619e82a2863d6567c52">\s+<head>\s+<meta charset="utf-8">\s+<meta name="google" value="notranslate">' /path-to-dir

参数说明：

• -M：开启多行匹配模式，支持跨换行识别内容
• \s+：匹配任意数量的空白字符（包含换行、空格、制表符），不需要严格对应原片段的空格数量
• -r：递归扫描指定目录下的所有文件

方案2：使用GNU grep实现 #

如果系统只有GNU grep，可加-z参数用空字符分割文件内容，变相实现多行匹配：

grep --include="*.html" -rPzo '<html id="blx-5fb3c619e82a2863d6567c52-000000001" class="blx-5fb3c619e82a2863d6567c52">\n    <head>\n    <meta charset="utf-8">\n    <meta name="google" value="notranslate">' /path-to-dir

内容的提问来源于stack exchange，提问作者standac