如何去除lynx --dump -listonly输出中的编号及无关文本

我来帮你搞定这个需求！要从lynx --dump -listonly index.html的输出里提取纯URL，去掉那些烦人的编号和“References”“Visible links”这类无关文本，用几个简单的命令行工具就能轻松实现：

方法1：用sed处理 #

这个命令会直接过滤出带编号的行，同时去掉行首的编号和空格：

lynx --dump -listonly index.html | sed -n '/^[0-9]\+\./ s/^[0-9]\+\.\s*//p'

• -n：只输出我们处理后的匹配行
• /^[0-9]\+\./：匹配以数字+点开头的行（就是那些带编号的URL行）
• s/^[0-9]\+\.\s*//：把行首的数字、点和后面的空格全部删掉
• p：输出处理后的内容

方法2：用awk处理 #

awk也能轻松完成这个任务，逻辑和sed类似：

lynx --dump -listonly index.html | awk '/^[0-9]+\./ {sub(/^[0-9]+\.\s*/, ""); print}'

• 先匹配带编号的行，然后用sub替换掉开头的编号部分，最后打印处理后的URL

方法3：grep+cut组合拳 #

先用grep过滤出带编号的行，再用cut截取URL部分：

lynx --dump -listonly index.html | grep '^[0-9]\+\.' | cut -d' ' -f2-

• grep过滤出目标行后，cut以空格为分隔符，取从第二个字段开始的所有内容（也就是URL）

举个实际例子，假设你的lynx输出是这样的：

References

Visible links
1. https://example.com/page1
2. https://example.com/page2
3. https://example.com/page3

用上面任意一个命令处理后，都会得到干净的纯URL输出：

https://example.com/page1
https://example.com/page2
https://example.com/page3

内容的提问来源于stack exchange，提问作者Caucasian Malaysian