如何使用sed一次性提取标记（token）间的多个子串？

我懂你之前用sed提取token间子串时只能拿到最后一个结果的烦恼，现在换成单行XML输入，要提取每个<message>里的<receiver>、<sender>、<text>内容并按要求输出，咱们一步步来解决这个问题。

问题回顾 #

你的真实输入XML：

<archive><message id="0"><receiver>apr</receiver><sender>gtr</sender><text>52333</text><sendTime>554</sendTime><deliveryTime>765</deliveryTime></message><message id="0"><receiver>apr</receiver><sender>gtr</sender><text>4332</text><sendTime>764</sendTime><deliveryTime>922</deliveryTime></message></archive>

期望输出：

apr gtr 52333 apr gtr 4332

为什么原来的sed命令失效？ #

你之前的命令sed "s/^.* \?token\(.* \)token.* \?/\1/"只能拿到最后一个子串，核心原因有两个：

1. sed的.*是贪婪匹配，会从开头一直匹配到最后一个token，所以只能捕获到最后一对token之间的内容；
2. 命令只执行了一次替换，没有循环处理所有匹配的token对，自然无法提取多个结果。

针对XML的sed解决方案 #

这里给出专门适配你需求的sed命令，同时逐行解释每个部分的作用：

sed -n '
# 定义循环标签，用于重复处理所有匹配的标签
:loop
# 提取<receiver>标签内的内容，替换为内容+空格，替换成功则回到loop继续处理
s/<receiver>\([^<]*\)<\/receiver>/\1 /; t loop
# 同理处理<sender>标签
s/<sender>\([^<]*\)<\/sender>/\1 /; t loop
# 同理处理<text>标签
s/<text>\([^<]*\)<\/text>/\1 /; t loop
# 过滤掉所有不需要的内容，只保留我们提取的内容块
s/.*\(\([^ ]* [^ ]* [^ ]* \)*\).*/\1/
# 去掉最后多余的空格
s/ $//
# 输出最终处理后的内容
p
' inputFile > outputFile

命令细节解释：

• -n：关闭sed默认的每行输出，只在我们用p指令时才输出结果；
• :loop：自定义一个循环标记，用来重复执行替换操作，直到所有目标标签都被处理；
• s/<receiver>\([^<]*\)<\/receiver>/\1 /：用[^<]*精准匹配<receiver>标签内的文本（因为标签闭合符是<，所以匹配到<就停止），把整个标签替换成提取的文本加空格；t loop表示如果本次替换成功，就跳回loop标记继续处理，确保所有<receiver>标签都被处理；
• s/.*\(\([^ ]* [^ ]* [^ ]* \)*\).*/\1/：把XML中其他无关的标签、文本全部过滤掉，只保留我们提取的“接收者 发送者 文本”格式的内容块；
• s/ $//：移除最后一个多余的空格，让输出格式更整洁；
• p：输出最终整理好的结果到outputFile。

验证结果 #

执行上述命令后，outputFile里的内容就会和你期望的一致：

apr gtr 52333 apr gtr 4332

内容的提问来源于stack exchange，提问作者Mariusz Bakun