先来了解 pcregrep 对比于 grep，来自 chatGPT
pcregrep 是一个强大的命令行工具，它使用 Perl 兼容的正则表达式 (PCRE) 来搜索文本。与标准的 grep 命令相比，pcregrep 提供了更多的正则表达式特性，允许用户执行更复杂和更灵活的文本匹配操作。这些特性包括但不限于更复杂的字符类、回溯引用、命名捕获组以及前后查找等。
-M 参数
-M 或 --multiline 参数允许 pcregrep 在多行模式下进行模式匹配。这意味着你可以使用一个正则表达式匹配跨越多行的模式。在不使用 -M 参数的情况下，pcregrep（以及标准的 grep）通常在单行模式下工作，每次只考虑输入中的一行。-M 参数允许正则表达式模式匹配操作涵盖输入中的连续多行，这在需要匹配或搜索跨多行展开的文本段落时非常有用。
pcregrep 与 grep 的区别
尽管 pcregrep 和标准的 grep 在很多基本用途上相似，主要区别在于它们支持的正则表达式的类型和复杂性：
正则表达式引擎：
grep支持基本的正则表达式 (BREs) 和扩展的正则表达式 (EREs)，而pcregrep使用 PCRE 库，提供与 Perl 5 兼容的正则表达式。PCRE 提供了更多的正则表达式特性和更大的灵活性。性能和功能：由于
pcregrep支持更复杂的正则表达式语法和构造，它能够执行一些标准grep无法处理的匹配操作。例如，使用pcregrep，你可以执行复杂的查找操作，如前后断言和条件子模式。多行匹配：如前所述，
pcregrep的-M参数允许跨多行进行模式匹配，这是标准grep工具所不支持的。兼容性：
grep几乎存在于所有 UNIX 和类 UNIX 系统中，是一个标准的命令行工具。而pcregrep可能需要单独安装，尤其是在一些较旧或较小的系统中。
总之，尽管 pcregrep 在某些情况下提供了比标准 grep 更强大的功能，但它也可能需要用户对 Perl 兼容的正则表达式有更深入的了解。在选择使用哪个工具时，需要根据特定任务的需求和复杂性来决定。
使用 pcregrep 把file文件中的描文本提取出来存入到 newfile 文件中
pcregrep -M '(?s)<a .*?>(.*?)<\/a>' file >> newfile
pcregrep -M 表示对多行进行操作，(?s) 这是一个内联修饰符，它将正则表达式的模式设置为“单行模式”。在单行模式中，.（点）匹配任何字符，包括换行符。这意味着正则表达式可以匹配跨越多行的模式。
<a .*?> 匹配开始的 标签。<a 是标签的开始，.*? 是一个非贪婪匹配，它匹配尽可能少的任何字符直到遇到 >，确保只匹配到单个 标签的开头部分。
(.*?) 这是一个非贪婪的捕获组，用于匹配 标签内的任意文本，直到遇到第一个 结束标签。
<\/a> 匹配结束的 标签。/ 是转义的 /，因为在正则表达式中 / 通常用作分隔符。
把每行开始的空白字符去掉(空格，tab，换行)
sed -i 's/^\s\+//g' newfile
这里^ 表示行首, \s 表示空白字符（空格，tab，换行）+表示重复1次或多次空白字符, //表示替换为空，而后是 g 表示全局操作
删除每行的换行，除了后边的换行外
awk '/<\/a>$/ {print; next} {printf "%s", $0}' newfile > newfile2
这里源文件内容中，有的行中xxx是在一行，有的分成了三行，因此要处理成单行，因为 sed 是针对单行处理文本的。
这条 awk 命令检查 newfile 文件中的每一行，对于以 结尾的行，它将它们原样打印到 newfile2 文件中，并为每个这样的行添加换行符。对于其他行，它将它们连续输出到一行中，直到遇到一个以 结尾的行为止。
其中 / 同样表示分割字符, <\/a>$ 表示正则，匹配以结尾的行,接着的 {print; next} 表示对正则匹配到的内容执行的操作，print; next 这里表示打印(print)当前行（因为不需要处理），而后直接跳到下一行执行操作(next), 接着的
{printf "%s", $0} 表示没有匹配到正则后的动作，printf 打印当前行 $0, 直接拼接到上一行尾，而不添加其它操作。
因此如果多行都不是以结尾的话，它们会拼到一起，当然也可以添加一个空格进行分割，用 "%s " 即可。
提取锚文本部分存入到 newfile2
sed -i 's|<a [^>]*>\(.*\)</a>|\1|g' newfile2
这条 sed 命令设计用于在文本文件中查找和处理 HTML 标签，具体是删除这些标签本身，只保留标签内的文本内容。s 表示替换操作，注意这里使用|作为分隔符,一般是使用 /，但是如果要处理的字符串中有 / 这样的字符串，就要重新换一个。
<a [^>]*>这里表示匹配 <a 一个空格，然后是[]字符组，字符组中的^表示非的意思，而不是开始的意思，即表示不是以>结尾的字符串，而后是 * 表示重复0或多次，然后是>, 因此这里表示<a ...> 表示<a 和 > 之间所有字符。而后是捕获组
.*表示任意字符, sed 中捕获组要使用 \( 和 \) 界定，接着又是| 分割符号,然后是 \1 表示引用的捕获组中的内容，即.* 表示的锚文本，整体来看 |\a|g 表示将匹配到的内容使用捕获组中的内容替换（全局模式）
去除文本中包含的和等标签
sed -i 's/<strong>//g; s/<\/strong>//g' newfile2
这里不用过多解释 //即替换为空 g参数表示全局，即把行内所有 strong 标签都替换, ; 分号用来分割另一条命令,替换的时候/要使用\转义下，即</strong>
去除每行行尾的空格
sed -i 's/[ \t]*$//' newfile2
-i 表示直接修改原文件, s 表示执行替换操作, []表示字符类，其中任意一个都会匹配 [ \t] 表示匹配空格或制表符, *表示0次或多次，$表示行尾 ，//表示替换为空字符, 如果 /t/则表示替换为字符 t
去除不包含任何字符或只包含空格的行
sed '/^ *$/d' newfile2 > file
这里 ^表示行的开始，然后是一个空格，后边的*表示空格重复0次或多次，然后是$表示行结束 /^ *$/ 为正则表达式，后边的d 表示删除命令
注意 sed 是按行处理的，如果是多行，则 sed 就无能为力了
本文由 dealdot ＜dealdot＃163.com＞ 创作, Full Stack Developer @ DeepBlue
本文最后编辑时间为: Mar 14, 2024 at 17:29 pm
转载请注明来源