Dotaz: ako vypisat sled znaku z html?

[Stefan]

Dobry den, chcel by som ziskat z html suboru vsetky podobne vyrazi ako ir_myfr000139587 alebo ir_sken000139587. Vlastne sa to vzdy zacina s ir_ potom naleduju 4 pismena a 9 cisel. Viem ze sa to da napisat v sed, no nechce my to fungovat. Dekuji za pomoc

Odpovědi

[tweety]

#grep -e ^(ir_)[a-z]{4}[0-9]{9} (soubor, venkterem chces hledat)
Snad jsem se neseknul... nemam to ted jak vyzkouset

[Michal Kubeček]

Vzhledem k výskytu potenciálně problematických znaků bych celý ten regulární výraz dal raději do apostrofů. Kulaté závorky jsou tam zbytečné.

[Michal Kubeček]

Vzhledem k výskytu potenciálně problematických znaků bych celý ten regulární výraz dal raději do apostrofů. Kulaté závorky jsou tam zbytečné.

[tweety]

nj. Na ty apostrofy jsem zapomnel.

[Stefan]

Dekuji za radu, bohuzel to nefunguje. Nevypise my to absolutne nic i kdyz to tam je vic nez 500 krat.

[Michal Kubeček]

Protože ten regulární výraz je psaný jako extended regular expression. Použijte egrep nebo 'grep -E'.

[Stefan]

grep -e 'ir_[a-z]{4}[0-9]{9}' funguje, ale vypisuje cele riadky vyskytu. Ja by som to chcel dostat asi nasledovne:

ir_slsq000246105
ir_kncl000072612
ir_slsq000242558

[David Watzke]

Potom zkus tohle:

sed 's: :\n:' ten_soubor.html | grep -e 'ir_[a-z]{4}[0-9]{9}'

[David Watzke]

Oprava:

sed 's: :\n:' ten_soubor.html | egrep 'ir_[a-z]{4}[0-9]{9}'

[Stefan]

Dostavam to sami, nechci to sem nakopirovat vse ale vypada to asi takto:

src="/counter/c.gif?pt=list&it=SS&ir=ir_slsq000125635,ir_myfr000139587,ir_slsq000253313,
ir_slsq000236301,ir_kncl000228692,ir_kncl000212321,ir_kncl000266522,ir_slsq000243873,
ir_kncl000250537,ir_myfr000248489,ir_kncl000257495,ir_slsq000252238,ir_kncl000246602,ir_slsq000173336,
ir_kncl000159609,ir_kncl000262343,ir_slsq000117256,ir_slsq000236142,ir_slsq000236341,ir_kncl000150016,
ir_kncl000211704,ir_kncl000225454,ir_slsq000174661,ir_kncl000263016,ir_slsq000092331,ir_kncl000063707

[David Watzke]

Tohle jsem potřeboval vidět...

sed -e 's#,# #g' -e 's#=# #g' \ # Takhle tam vyjmenuješ ty znaky kolem kterých to je
-e 's# #\n#g' ten_soubor.html | egrep 'ir_[a-z]{4}[0-9]{9}'

[David Watzke]

Jestli je to obalený nějakými HTML tagy (prostě těsne u < a >), tak snad pomůže

sed -e 's#># #g' -e 's#<# #g' -e 's# #\n#g' ten_soubor.html | \
egrep 'ir_[a-z]{4}[0-9]{9}'

[Stefan]

Zabalene to je takto: href="/search?md5=28e5ec329d89603c654e3f448d5ae3bf&search_form=keyword&search_type=SS&inst_ref=ir_slsq000236301&submit_type=search"

[David Watzke]

V tom případě by mělo stačit to, co jsem psal výše s drobnou obměnou...

sed -e 's#,# #g' -e 's#=# #g' -e 's#&# #g' -e 's# #\n#g' \
ten_soubor.html | egrep 'ir_[a-z]{4}[0-9]{9}'

[Stefan]

Dekuji po pridani | uniq -d na konec prikazu je to dokonali.

[David Watzke]

To jsem rád

[Josef Kufner]

man grep
/^ *-o