Sed et substitutions balises htmlRésolu/Fermé

Question

Salut, je dois louper qquechose avec le texte suivant, dans un fichier html Titre

Voici les instructions, monsieur X

Rapport 2.220 [1] -02/11/2008- Windows XP

il est conseillé de suivre la procédure suivante:

Aller sur ce site Nod32
- Faire ceci, puis cela :
- C:\Program Files\log.txt

je voudrais supprimer tout ce qui est entre <> pour épurer ce fichier html de ses balises et le rendre lisible dans un fichier txt. J'utilise ces expression régulières merdiques cat Fichier.html | sed 's/<.*>//g;s/<\/.*>//g' qui donne en conséquence ce résultat merdique :) il est conseillé de suivre la procédure suivante: - Faire ceci, puis cela : - C:\Program Files\ bref, pas mal de texte est zappé. Est-ce que vous auriez plus fin à me proposer ? Merci

jipicy · Answer

Salut,sed 's|<[^>]*>||g';-))

eZula · Answer

Merci jipicy ça fonctionne. Je vois que tu as changé les séparateurs, c'est important où c'est pour améliorer la lisibilité ?

Sinon est-ce que tu peuix me dire en quoi ma proposition n'était pas bonne, stp ? visiblement ça ratissait trop large mais j'avoue ne pas très bien saisir pourquoi

jipicy · Answer

Concernant les délimiteurs, voir Délimiteur de commande dans la FAQ. Concernant la gourmandise des regex, voir Gourmandise des expressions régulières. Pour étoffer un peu, les regex sont très gourmandes, si tu mets "<.*>' cela va englober tout ce qui se trouve entre le 1er < et le dernier > sur la ligne. Avec l'expression "<[^>]*>" on limite la portée au 1er > rencontré, d'où la nécessité de préciser le "g" (global), pour répéter l'expression autant de fois quelle sera rencontrée sur la ligne.

lami20j · Answer

Salut,

Complément d'infos ;-)

[^>] c'est une classe de caractères complémentée qui veut dire "reconnaître un caractère non  énuméré" et non "ne pas reconnaître le caractère énuméré" 
Le quantificateur * permet de reconnaître zéro fois, une fois ou autant de fois que la classe peut
Dans ce cas même un <>  sera supprimé

eZula · Answer

Avec l'expression "<[^>]*>" on limite la portée au 1er 

super, c'est exactement ce que j'avais cherché à faire, sans trouver les bons mot-clés

Merci encore à vous deux pour ces compléments d'info :)

eZula · Answer

Pardon, je reviens un instant vers vous car un pb se pose. Je souhaiterais que sed épargne tous les liens de type càd le substitue par http://www.URL.htm, sans les guillemets bien entendu avant d'effectuer ses substitutions. J'ai donc étendu la commande : cat Fichier.html | sed 's// /g;s/<[^>]*>//g;s/\">/ /g' en essayant d'intervertir la position de / /g mais ça ne matche pas à tous les coups (ça supprime quelques URL parfois) Le but est en priorité de conserver les URL, il faut également substituer les
par des sauts de ligne (d'où le s/
/ /g) et ensuite virer tout ce qui est entre crochets Je précise que le seul unixutil dont je dispose c'est sed, normalement ça se passe sous windows avec sed-3.59.exe (je fais des essais sous Linux dans l'immédiat)

lami20j · Answer

Salut, essaie d'abordsed 's|/\1|g' et ensuitesed 's|<[^>]*>||g'P.S. Je n'ai pas testé

eZula · Answer

Salut, merci, mais ça ne marche pas : caractère 27: commande `s' inachevée, même avec deux | + combinaison cat Fichier.html | sed 's|/\1||g;s|<[^>]*>||g' il n'y a plus les retours lignes et surtout plus aucune URL alors que j'arrive à en récupérer au moins une

lami20j · Answer

Oups, j'ai oublié que le séparateur est | au lieu de sed 's|/\1|g' mettresed 's||\1|g'

jipicy · Answer

Salut, Essaye ça : sed 's|
|\n|g;s|$]>$|\2 |g;s|<[^>]*>||g' fichier.html

eZula · Answer

cat Fichier.html | sed 's||\1|g;s|<[^>]*>||g' non, il me bouffe tous les mince, c'est pénible... :)

lami20j · Answer

Mince, j'ai oubilé le quantificateur
Mon expression cherchais seulemetn un caractère
sed 's|<a *href=$"[^"]*"$>|\1|g' 

Teste la ligne de jipicy.
Au moins il a la possibilité de tester ;-))

eZula · Answer

aucune des solutions ne marche entièrement jipicy : ta commande me bouffe 1 URL sur deux celle-là => OK celle-ci ICI => n'apparait pas

lami20j · Answer

sed 's|<a href="$[^"]*$">|\1|g' --
106485010510997108

eZula · Answer

ça laisse ttes les balises intactes :((

lami20j · Answer

Mets ton fichier sur cjoint.com.

eZula · Answer

Excusez-moi, encore une question au sujet de ceci :

Avec l'expression "<[^>]*>" on limite la portée au 1er > rencontré, d'où la nécessité de préciser le "g" (global), pour répéter l'expression autant de fois quelle sera rencontrée sur la ligne. 

Est-ce que c'est possible de l'appliquer sur un grep de ce type

Expression | grep.exe -o [a-zA-Z]:\.*\.[a-zA-Z]\{3\}

là je souhaite matcher tous les chemins de fichiers dont l'extension ne comporte que 3 caractères (pas trouvé d'autre soluce + générale, pour le cas des fichiers .html par exemple), le pb c'est justement la gourmandise de cette regexp qui va aller au bout de la ligne chercher ce .extension, et donc du coup tout foire si jamais sur la même ligne il y a

C:\chemin\fichier.exe C:\fichier.txt

càd qu'il va lister uniquement :

C:\chemin\fichier.exe C:\fichier.txt

et non pas

C:\chemin\fichier.exe
C:\fichier.txt

Comment l'arrêter à la première occurence de ce . mais continuer sur les autres motifs ? les essais que j'ai tenté avec l'expression de jipicy couplé à l'option -m 1 s'arrêtent net dès la première occurence, impossible de lire un fichier entier

Merci

lami20j · Answer

Salut,
$ cat eZula
C:\chemin\fichier.exe C:\fichier.txt
C:\chemin\fichier.exe C:\fichier.txt

$ cat eZula |grep -Eo '[a-zA-Z]:\.*\.[a-zA-Z][a-zA-Z][a-zA-Z]'
C:\chemin\fichier.exe C:\fichier.txt
C:\chemin\fichier.exe C:\fichier.txt
$ for i in $(cat eZula |grep -Eo '[a-zA-Z]:\.*\.[a-zA-Z][a-zA-Z][a-zA-Z]');do echo $i;done
C:\chemin\fichier.exe
C:\fichier.txt
C:\chemin\fichier.exe
C:\fichier.txt
$ cat eZula |grep -Eo '[a-zA-Z]:\.*\.[a-zA-Z][a-zA-Z][a-zA-Z]'|sed 's/ /
/'
C:\chemin\fichier.exe
C:\fichier.txt
C:\chemin\fichier.exe
C:\fichier.txt

eZula · Answer

Merci lamij

pour windows

type fichier | grep -Eo [a-zA-Z]:\.*\.[a-zA-Z][a-zA-Z][a-zA-Z] | sed "s/ /
/" > z.txt & sed -i "s/$//g" z.txt

obligé de remplacer ces fichues fins de ligne, 

curieusement sed "s/ /
/;s/$//g" ne marche qu'à moitié dans ton expression, c'est normal ?

Sed et substitutions balises html

19 réponses

Discussions similaires

Newsletters