t sintaxe para remover xml

Question

Estou tentando limpar essa saída dos metadados para conectar essa saída ao GreekTools, mas estou ficando preso no sed.

curl --silent www.brainyquote.com | egrep '(span class="body")|(span class="bodybold")' | sed -n '6p; 7p; ' | sed 's/\<*\>//g'

[ex]

<span class="body">Literature is news that stays news.</span><br> <span class="bodybold">Ezra Pound</span>

Alguém poderia me ajudar nessa faixa?

    

Answer 1

Você deve usar uma ferramenta de análise HTML ou XML adequada. Tentar analisá-lo com expressões regulares leva à loucura .

No entanto, para casos simples:

curl --silent www.brainyquote.com | egrep 'span class="body' | sed -n '6,7{s/<[^>]*>//g;p}'

Para o OS X:

curl --silent www.brainyquote.com | egrep 'span class="body' | sed -n '6,7{' -e 's/<[^>]*>//g' -e 'p' -e '}'

Isso funcionou para o mjb:

curl --silent www.brainyquote.com | egrep '(span class="body")|(span class="bodybold")' | sed -n '6p; 7p; ' | sed -e 's/<[^>]*>//g'

    

Answer 2

Apenas para completar, uma solução usando HTML tidy e xmlstarlet:

# note: use recent versions of tidy and xmlstarlet
curl -s www.brainyquote.com | 
tidy -q -c -wrap 0 -numeric -asxml -utf8 --merge-divs yes --merge-spans yes 2>/dev/null |
xmlstarlet sel -N x="http://www.w3.org/1999/xhtml" -T -t -m "//x:td[@align='center' and @valign='top' and @width='300']/x:span[@class='body']" -v '.' -n \
-m "//x:html/x:body/x:div/x:table/x:tr[position()=2]/x:td[@align='center' and @valign='top' and @width='300']/x:span[@class='bodybold']" -v '.' -n