grepの方法について

質問

私は現在、500ファイル近いjspファイルもしくはhtmlファイルから
hrefのリンクだけを抽出する作業を行っています。

下記コマンドでgrepをかけた場合、
後ろにつながる文字列まで抽出されてしまいます。
grep -i -e "href="

ソースファイルとしては、
<a href="ファイルパス.html" target><img src="">
というように、hrefの後ろにつながって
他のタグが記述されてしまっていますが、
hrefの"ファイルパス.html"のみを抽出したいのです。

どうすればよいでしょうか。
お手数かと思いますが、
宜しくお願いいたします。

回答No.5

ham_kamo · ベストアンサー

No.2,4 です。
１行に２つ以上<a href=...>があるケースの処理をawkで書いてみました。

[user1@fedora ~]$ cat get_url.sh
#!/bin/sh
awk -F'href=\"' '/href=/{for (i=2;i<=NF;++i){split($i,s,"\"");print s[1]}}' $1

こういうシェルを作っておいて、chmod +x get_url.sh をしておいて、

[user1@fedora ~]$ find /var/www/html -name \*.html -exec ./get_url.sh {} \;
こういう風にすると、

http://dev.mysql.com/doc/mysql/en/drop-table.html
http://dev.mysql.com/doc/mysql/en/insert-delayed.html
http://dev.mysql.com/doc/mysql/en/insert.html
　　　：
　　　：
　　　：
と出てくるようになりました。試してみてください。

お礼

簡単な質問に対し、とても丁寧にご回答いただきまして
どうもありがとうございました。
ご教示いただいたとおり行った所
私の思ったとおりに実行することができました。
どうもありがとうございました。
助かりました。

回答No.6

sakusaker7

もしお使いのgrepがGNU grep であり、かつ-Pオプションが使用可能な状態なら、
grepだけでできます。

grep -P -o '(?<=href=")http://[\w.]+'

同じ行に複数マッチするものがあっても別の行にして出力してくれます。

検索パターンは (?<=href=")http://[^"]+ のほうがよいかも?

回答No.4

ham_kamo

No.2です。すみません、ちょっと私のところと実行環境が違ったようで、思うように動かなかったようです。
grep -i -e "href=" xxx.html | sed -e 's/^.*href=\"\([^\"]*\)\".*$/\1/g'
ではいかがでしょうか。

たくさんのファイルを一括検索するのであれば、findを使えばいいのではないでしょうか。上のコマンドを、たとえば上記のコマンドを
grep -i -e "href=" $1 | sed -e 's/^.*href=\"\([^\"]*\)\".*$/\1/g'

とし、find_url.sh というシェルにしておいて、/aaa/bbb/以下の*.jspと*.htmlを検索するのに、

find /aaa/bbb -name \*.jsp -o -name \*.html -exec find_url.sh {} \;
とやるとか。

回答No.3

noname#96023

sedが使えているからシェルが使えているんですよね
#/bin/sh
for i in *.html
echo "ファイル$i"
grep -i -e "href=" $i　| sed -e 's/^.*a href=\"//' | sed -e 's/html.*/html/'
echo "\n\n\n"
done

こんな感じでどうでしょうか？
同じくテストはしてません
また一行に２つ以上のファイル名がある場合は...暇だったら考えます

回答No.2

ham_kamo

こんなのでできないでしょうか。
grep -i -e "href=" xxx.html | sed -e 's/^.*href=\"\([^\"]*\)\".*$/\\1/g'

１行に２つ以上<a href=...>のタグがあると、最初の１つしか抜き出せませんが。そういうケースも考慮して全て抽出するとなると、もうちょっとややこしい方法になると思います。

お礼

早速、ご回答いただきまして
どうもありがとうございます。

実行してみたところ、
\1
\1
というような結果になってしまいました。
どうしてでしょうか。

やはり、一行に複数ある場合は、
複雑になりそうですね。
少し、考えてみます。
ありがとうございました。

回答No.1

noname#96023

grepだけじゃ無理ですね
sedと組み合わせて

grep -i -e "href=" | sed -e 's/^.*a href=\"//' | sed -e 's/html.*/html/'
試してないですがこんな感じでしょうか。。。

お礼

早速、ご回答いただきましてどうもありがとうございます。
試してみました。

grep -i -e "href=" *.HTML　| sed -e 's/^.*a href=\"//' | sed -e 's/html.*/html/'

500近いファイルを一括検索するためには、
ディレクトリごとにしたいのですが、
ファイル名が出力されないため、
やはり、一ファイルずつしか
無理でしょうか。

簡単な質問ばかりで
申し訳ございませんが、
ご教示願います。