如何在Bash中从HTML文件提取黄色背景span内的URL路径？

当然可以帮你实现这个需求！下面提供两个基于Unix文本处理工具的shell脚本方案，运行./extra-path.sh urls-list.html就能得到你想要的去重结果。

方案一：使用grep + sed + sort + uniq（直观易懂） #

创建名为extra-path.sh的脚本，内容如下：

#!/bin/bash

# 检查是否传入正确的文件参数
if [ $# -ne 1 ]; then
    echo "用法: $0 <HTML文件路径>"
    exit 1
fi

# 核心处理流程：提取、清洗、去重
grep -o '<span style='\''background-color:yellow'\''>.*<\/span>' "$1" | \
sed -E 's/<span style='\''background-color:yellow'\''>(.*)<\/span>/\1/' | \
sed -E 's/^>//' | \
sort | uniq

步骤解释： #

• grep -o：仅匹配并输出包含黄色背景样式的<span>标签及其内容
• 第一个sed：从span标签中提取出中间的路径文本
• 第二个sed：移除部分路径开头多余的>符号（对应你示例中的>/common/...格式）
• sort | uniq：对提取的路径排序并去除重复项

方案二：使用awk（更简洁的单工具处理） #

如果你更喜欢用awk来完成，这个脚本会更紧凑：

#!/bin/bash

# 参数检查
if [ $# -ne 1 ]; then
    echo "用法: $0 <HTML文件路径>"
    exit 1
fi

# 用awk提取、去重并排序
awk -F'<span style='\''background-color:yellow'\''>|<\/span>' '
    /background-color:yellow/ {
        # 移除开头的>符号
        gsub(/^>/, "", $2)
        # 用数组存储路径（自动去重）
        paths[$2]
    }
    END {
        # 遍历数组输出所有唯一路径
        for (p in paths) print p
    }' "$1" | sort

步骤解释： #

• 用-F设置字段分隔符为span的开始/结束标签，直接提取中间的路径内容
• 用gsub清理路径开头的多余符号
• 利用awk数组的键唯一性自动去重
• 最后排序输出，保证结果有序

使用方法： #

1. 将上述任一脚本保存为extra-path.sh
2. 给脚本添加执行权限：chmod +x extra-path.sh
3. 运行脚本：./extra-path.sh urls-list.html

运行后你会得到和示例一致的去重结果：

/common/assets/locale/language_en.props
/common/assets/locale/language_en1.props
/common/assets/locale/language_en2.props
/main

内容的提问来源于stack exchange，提问作者pancho