如何用sed移除全局模式中的“小型”模式？HTML处理异常排查

你遇到的问题是sed默认的贪婪正则匹配导致的——原来的命令里</td>.*<td>会从第一个</td>开始，一直匹配到最后一个<td>的位置，直接把中间的<td>456</td>也给删掉了，当然会丢数据啦！

正确的sed命令写法 #

我们可以用非贪婪匹配的替代写法来解决，因为sed的基础正则不支持.*?这种非贪婪语法，换用[^<]*来匹配<之前的所有内容，这样就不会跨过下一个<td>标签：

sed 's#</td>[^<]*<td>#</td><td>#g' tmp.html

或者用转义/的版本（可读性稍差）：

sed 's/<\/td>[^<]*<td>/<\/td><td>/g' tmp.html

效果验证 #

输入的tmp.html内容：

<table><td>123</td>1<td>456</td>2<td>789</td></table>

执行命令后输出：

<table><td>123</td><td>456</td><td>789</td></table>

完美符合你的需求，只移除了</td>和<td>之间的冗余文本（例子里的1和2），保留了所有有效<td>标签内容。

原理说明 #

[^<]*是正则里的否定字符集，表示匹配任意数量的不是<的字符，这样当匹配到下一个<td>的<时就会停止，避免了贪婪匹配跨过多标签的问题。

内容的提问来源于stack exchange，提问作者user270199