如何用正则从XML文件中提取HTTP链接？

我来帮你搞定这个XML链接提取的问题～你之前的正则没达到预期，主要是两个问题：

• 你的正则里写了http://www\.\.com，但你的目标链接是store.vcenter.com，这部分匹配规则完全不对；
• [^<]+会匹配从匹配起始点到第一个<的所有内容，自然会包含引号和XML标签的收尾部分。

正确的egrep解决方案 #

针对你这种单行的XML标签，我们可以精准匹配href属性里的URL内容，有两种靠谱的方式：

方式1：分步提取（兼容所有egrep版本）

先匹配包含URL的整个href="..."片段，再提取其中的URL部分：

egrep -o 'href="http[^"]+"' your_file.xml | egrep -o 'http[^"]+'

• 第一部分href="http[^"]+"：匹配以href="http开头，直到闭合引号的整个属性片段；
• 第二部分http[^"]+：从片段里提取真正的URL，只保留从http开始到引号前的内容。

方式2：用正向预查（部分egrep版本支持）

如果你的egrep支持正向零宽断言，可以一步到位提取：

egrep -o '(?<=href=")http[^"]+' your_file.xml

• (?<=href=")是正向预查，它会确保我们要匹配的内容前面刚好是href="，但不会把这部分包含在最终输出里；
• http[^"]+负责匹配完整的URL，直到遇到第一个引号为止，完美避开多余内容。

小提醒 #

如果你的XML结构比较复杂（比如属性值里有转义引号、标签跨行等），正则可能会失效，这时候更推荐用专门的XML解析工具，比如xmllint或者Python的xml.etree模块来处理，不过对于你现在这种简单的单行标签场景，上面的正则完全够用啦。

内容的提问来源于stack exchange，提问作者Test45