如何合并两个SED正则命令？批量提取HTML中地址与GPS坐标

我来帮你搞定这个SED合并的难题！你遇到的核心问题是正则贪婪匹配在搞鬼——默认情况下SED的.*会尽可能匹配最多的字符，导致电话号码之后到GPS部分的所有冗余HTML都被吞进了匹配结果里。下面给你两种可行的解决方案：

方案一：精准定位GPS的匹配位置 #

直接修改正则，跳过中间冗余内容，直接定位到GPS所在的src属性部分，避免贪婪匹配的干扰：

sed -n -e 's/^.*address23ca storeh2..\(.*\) Address<\/h2.*optmob..\(.*\)<br>\(.*\)<br>\(.*\)<br>\(.*\)<\/p><p class="addressbox23.*Telephone: \(.-...-...-....\).*src="https:\/\/www.google.com\/maps\/embed\/v1\/place?q=\(.*\)&amp;key.*$/\1,\2,\3,\4,\5,\6,\7/p' afile.html

用你提供的精简HTML测试，这个命令会输出：

142 Wayne Street,Abbey,Saskatchewan,S0N 0A0,1-866-607-6301,50.736301,-108.757103

方案二：分步骤匹配后合并结果 #

如果超长正则看着头疼，可以用SED的多命令处理，把地址/电话和GPS的提取分开，再合并结果：

sed -n -e '/address23ca storeh2/{s/^.*address23ca storeh2..\(.*\) Address<\/h2.*optmob..\(.*\)<br>\(.*\)<br>\(.*\)<br>\(.*\)<\/p><p class="addressbox23.*Telephone: \(.-...-...-....\).*$/\1,\2,\3,\4,\5,\6/;h}' -e '/v1\/place/{s/^.*v1\/place?q=\(.*\)&amp;key.*$/\1/;G;s/\n/,/;p}' afile.html

这个命令的逻辑是：

• 第一步：匹配到包含地址的行，提取地址和电话，把结果暂存到SED的hold空间（h命令）
• 第二步：匹配到包含GPS的行，提取GPS坐标，然后把hold空间里的地址/电话取出来（G命令），把换行符替换成逗号，最后输出合并后的结果

为什么你的原命令会失败？ #

SED的正则是贪婪匹配模式，你原命令里的\(.*\).^*v1\/place?中的.*会从电话号码后面开始，一直匹配到v1/place?之前的最后一个字符，中间所有的HTML内容（比如<div>、<iframe>标签等）都被包含进了匹配组，所以输出会带冗余内容。通过精准定位GPS的位置，或者分步骤处理，就能避开这个问题。

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