Bash如何从网页中提取JSON数据？

我来帮你搞定这个提取JSON的问题！你之前用的grep -Poz命令没成功，大概率是因为多行匹配的逻辑或者边界处理出了问题——grep的-z会把整个输入当成单行处理，加上正向预查的贪婪匹配，很容易漏掉或者错误捕获内容。下面给你几个纯Bash环境下就能运行的可靠方案：

方案1：用sed处理多行匹配 #

sed对多行文本的处理更灵活，能精准定位app.run(到);之间的内容：

curl -s 'https://www.lazada.co.id/-i160040703-s181911730.html?spm=a2o4j.order_details.details_title.1.52ec6664luQAQs&urlFlag=true&mp=1' | sed -n '
/app.run(/ {
  s/app.run(//
  /);/ {
    s/);$//
    p
    b
  }
  :loop
  N
  /);/ {
    s/);$//
    p
    b
  }
  b loop
}
'

这个脚本的逻辑是：

• 找到包含app.run(的行，先去掉开头的app.run(
• 如果当前行直接包含);，就去掉结尾并打印
• 如果不包含，就持续读取下一行，直到找到);，再处理并打印

方案2：用awk实现逐行捕获 #

awk的状态机模式也能很好处理这种跨多行的内容：

curl -s 'https://www.lazada.co.id/-i160040703-s181911730.html?spm=a2o4j.order_details.details_title.1.52ec6664luQAQs&urlFlag=true&mp=1' | awk '
/app.run(/ {
  in_json = 1
  sub(/app.run(/, "")
}
in_json {
  if (/);/) {
    sub(/);$/, "")
    print
    in_json = 0
  } else {
    print
  }
}
'

这个脚本会：

• 当遇到app.run(时，标记进入JSON内容区域，并去掉该行的前缀
• 在标记区域内，逐行输出内容，直到遇到);，去掉后缀后输出并结束标记

为什么原命令失败？ #

你的grep -Poz '(?<=app.run\()(.*\n)*.*(?=\);)'有两个主要问题：

1. -z参数会把所有换行符换成空字符，导致.*\n的匹配逻辑失效
2. 正向预查和贪婪匹配的组合，可能因为页面中存在其他类似);的字符串，导致匹配到错误的边界

如果提取后想验证JSON格式是否正确，你可以额外用jq工具（很多系统默认安装），比如把结果管道到jq .就能快速检查格式合法性。

内容的提问来源于stack exchange，提问作者Joe