Eu tenho um arquivo de texto semelhante a XML, que não pode ser analisado com um analisador de XML devido a violações de XML:
<note>
<to>Tove</to>
<from>Jani</from>
<heading>Reminder</heading>
<body>Don't forget me this weekend!</body>
</note>
Eu só quero cortar a palavra depois de n th tag abrir < em um arquivo. O arquivo deve estar em XML-grammar, o que significa que as linhas podem variar.
Meu resultado esperado seria
1 - note
2 - to
3 - /to
4 - from
5 - /from
6 - heading
7 - /heading
8 - body
9 - /body
10 - /note
grep + awk :
grep -Eo '<[^<>]+>' input.xml | awk '{ gsub(/[<>]/,""); printf "%-3s - %s\n", NR, $0 }'
A saída:
1 - note
2 - to
3 - /to
4 - from
5 - /from
6 - heading
7 - /heading
8 - body
9 - /body
10 - /note
Ou com o comando único GNU awk :
awk -v FPAT='</?[^<>]+>' '{ for(i=1;i<=NF;i++) printf "%-3s - %s\n", ++c, $i }' input.xml
$ awk -F"[<>]" '{for(i=2;i<=NF;i+=2){print ++j" - "$i}}' input.xml
1 - note
2 - to
3 - /to
4 - from
5 - /from
6 - heading
7 - /heading
8 - body
9 - /body
10 - /note
Nota: Esta resposta foi escrita antes do usuário explicar que o XML não estava bem formado. Estou deixando aqui, pois isso pode ajudar os outros.
XMLStarlet é capaz de produzir a estrutura de elementos de documentos XML:
$ xml el file.xml
note
note/to
note/from
note/heading
note/body
Isso é diferente da saída esperada, mas pode ser suficiente para o que você deseja alcançar.
Também é capaz de converter o XML em PYX, que mostra as tags de abertura e fechamento em linhas separadas:
$ xml pyx file.xml
(note
-\n
(to
-Tove
)to
-\n
(from
-Jani
)from
-\n
(heading
-Reminder
)heading
-\n
(body
-Don't forget me this weekend!
)body
-\n
)note
Com isso, é fácil obter exatamente a saída desejada:
$ xml pyx file.xml | sed -n -e 's/^(//p' -e 's/^)/\//p'| nl
1 note
2 to
3 /to
4 from
5 /from
6 heading
7 /heading
8 body
9 /body
10 /note
As instruções sed eliminam as linhas que não iniciam com ( ou ) e substituem esses caracteres de acordo com a forma como você especificou na pergunta. O utilitário nl coloca o número da linha nas linhas.
Às vezes, o XMLStarlet é instalado como xmlstarlet em vez de xml .
aqui é um método bastante fácil de responder à sua pergunta sobre extração de tags de abertura ... mas o seu exemplo pede também para o fechamento de ... isso parece um erro porque um fechado está aberto, é claro ... você realmente precisa também de uns fechados, mas se você quiser controlar o formato xml, mas o uso de uma ferramenta como xmllint ....
bash-4.4$ cat > toto
<note>
<to>Tove</to>
<from>Jani</from>
<heading>Reminder</heading>
<body>Don't forget me this weekend!</body>
</note>
bash-4.4$ awk '{
match($0,/<\/.*>/);
b=substr($0,RSTART,RLENGTH);
if(b)
{a[++i]=b}
}
END{
{for(k in a)
{c[a[k]]=k}
}
{for(u in c)
{gsub(/\//,X,u);print u}
}
}' toto | sed 's/</- /;s/>//' | cat -n
1 - body
2 - note
3 - to
4 - heading
5 - from
bash-4.4$ rm toto
ou para manter todos os & usando sed apenas por diversão:
bash-4.4$ sed -e 's/>\(.*\)</></;s/>/\n/g;s/</- /g' toto | sed '/^$/ d' | cat -n
1 - note
2 - to
3 - /to
4 - from
5 - /from
6 - heading
7 - /heading
8 - body
9 - /body
10 - /note
11
bash-4.4$
Aqui está uma solução XQuery apenas para o caso de você querer algo que funcione em QUALQUER XML, mesmo XML complicado contendo comentários, DTDs, elementos de fechamento automático, etc.
declare function local:f($e) {
$e / (name(), local:f(*), ('/' || name()))
};
for $tag at $p in local:f(/*)
return ($p || ' - ' || $tag || '
')
Tags text-processing linux