如何使用Bash从HTML分页结构中提取最后一页页码？

嗨，这个需求我经常碰到，给你几个实用的Bash解决方案，根据你的HTML分页结构不同可以灵活选择：

先假设你的分页HTML结构大概是这样的（类似你说的最后一页是5的情况）：

1 2 3 4 5

方案1：用grep+awk（适合结构简单的场景） #

如果你的最后一页有明显特征（比如带class="last"），或者是最后一个页码链接，可以用文本处理工具快速提取：

• 针对带特定class的最后一页：

# 从本地HTML文件提取
grep -o '<a.*class="last".*>\([0-9]*\)</a>' your_page.html | awk -F'[<>]' '{print $3}'

# 如果是直接从网页获取内容
curl https://your-target-site.com/list | grep -o '<a.*class="last".*>\([0-9]*\)</a>' | awk -F'[<>]' '{print $3}'

• 如果没有特殊class，只是最后一个页码链接：

# 提取所有页码后取最后一行
curl https://your-target-site.com/list | grep -o '<a.*>[0-9]*</a>' | grep -o '[0-9]*' | tail -n 1

⚠️ 注意：正则处理HTML有局限性，如果页面结构变了（比如标签多了空格、属性顺序调整），可能就失效了。

方案2：用专门的HTML解析工具pup（更可靠，推荐） #

正则处理HTML容易踩坑，用pup这种支持CSS选择器的工具会稳妥很多，它能精准定位元素。
首先安装pup（Debian/Ubuntu可以用sudo apt install pup，其他系统可以从源码编译）：

• 如果最后一页是分页容器里的最后一个链接：

curl https://your-target-site.com/list | pup '.pagination a:last-child text{}'

• 如果最后一页有专属class（比如page-last）：

curl https://your-target-site.com/list | pup '.page-last text{}'

方案3：用xmllint（适合规范的XHTML） #

如果你的页面是标准的XHTML，可以用xmllint结合XPath查询：

curl https://your-target-site.com/list | xmllint --html --xpath 'string(//div[@class="pagination"]/a[last()])' - 2>/dev/null

这里的2>/dev/null是用来屏蔽xmllint对非标准HTML的警告信息。

你可以根据自己的实际HTML结构调整选择器，比如把.pagination换成你页面里分页容器的真实class或ID就行。

内容的提问来源于stack exchange，提问作者M.Mar