如何用Bash正则表达式惰性解析HTML中的首个变更列表？

你现在需要从changes.html里提取最顶部的那个<ol>列表里的<li>内容，之前尝试用Bash正则遇到了问题，我来帮你梳理下问题所在，再给出几个靠谱的解决方案。

先说说你之前脚本的问题 #

1. 文件读取方式导致换行丢失：用$(< ~/Documents/outfile.html)读取文件时，Bash会把所有换行符替换成空格，整个HTML变成一长串文本，这就破坏了原本的块结构，正则自然没法正确匹配单个<ol>块。
2. Bash正则不支持非贪婪匹配：Bash的扩展正则表达式（ERE）不支持.*?这种惰性匹配语法，所以即使你写了.*，它也会贪婪地匹配到最后一个符合条件的位置，导致匹配范围超出第一个列表。
3. 正则表达式的捕获逻辑问题：你写的(<ol><li>.*</li></ol>)?，在换行丢失的情况下，根本没法精准匹配到第一个列表的内容，所以捕获组是空的。

解决方案 #

方法1：用sed处理（纯Bash环境可用） #

sed是处理文本的常用工具，我们可以用它定位第一个<ol>到</ol>的块，然后提取里面的<li>内容：

sed -n '
/<ol>/,/<\/ol>/ {
    # 跳过<ol>和</ol>本身的行
    /<ol>/! {
        /<\/ol>/! {
            # 提取<li>标签里的文本
            s/.*<li>\(.*\)<\/li>.*/\1/p
        }
    }
    # 遇到第一个</ol>就退出，避免匹配后续列表
    /<\/ol>/q
}
' changes.html

运行这个命令后，就能输出第一个列表里的两行文本：

Recent Text line 1
Recent Text line 2

方法2：用awk处理（同样是系统自带工具） #

awk的逻辑更直观，通过标记位来控制是否处理内容：

awk '
# 遇到第一个<ol>时，开启标记并跳过当前行
/<ol>/{flag=1; next}
# 遇到</ol>时直接退出，只处理第一个列表
/<\/ol>/{exit}
# 标记开启且行包含<li>时，提取文本
flag && /<li>/{
    sub(/.*<li>/, "", $0)  # 去掉<li>之前的所有内容
    sub(/<\/li>.*/, "", $0) # 去掉</li>之后的所有内容
    print
}
' changes.html

方法3：用专业HTML解析工具（推荐，更稳定） #

正则处理HTML其实是不太靠谱的（比如标签里多了空格、属性就会失效），更推荐用专门的HTML解析工具，比如pup（需要先安装，比如用apt install pup或者brew install pup）：

pup 'h2:first-of-type + ol li text{}' changes.html

这个命令通过CSS选择器精准定位：选择第一个<h2>后面紧邻的<ol>里的所有<li>，然后提取它们的文本内容，结果完全符合你的需求，而且不怕HTML格式的小变动。

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