BASH - 選擇多行Div之間的所有代碼

Question

我在所有持有SEO內容的電子商務網站的頁面上都有一個div。我想要統計該div中的單詞數量。它用於診斷大型爬網中的空白頁面。

的DIV總是從如下：

<div class="box fct-seo fct-text 

那麼它包含<h1>，<p>和<a>標籤。

它，然後，很明顯，與</div>

關閉我如何使用SED，AWK，WC等採取div的開始和閉幕DIV之間的所有代碼，並指望有多少字出現。如果準確率達到90％，我很高興。

你不知何故必須告訴它停止掃描，發現它的第一個結束</div>。

下面是一個例子頁面一起工作：

http://www.zando.co.za/women/shoes/

大加讚賞。 -P

Answer 1

在一個Perl的一個班輪你可以使用..運營商指定匹配區域的開頭和結尾，你是感興趣的模式：

$ perl -wne 'print if /<div class="box fct-seo fct-text/ .. /<\/div>/' shoes.html 

您可以再算上與wc -w話：

$ perl -wne 'print if /<div class="box fct-seo fct-text/ .. /<\/div>/' shoes.html | wc -w 

如果本身是影響足夠數量影響精度的HTML標籤計數「單詞」，你可以像刪除那些從計數：

$ perl -wne 'next unless /<div class="box fct-seo fct-text/ .. /<\/div>/; s/<.*?>//g; print' shoes.html | wc -w 

Answer 2

當它得到更加複雜（比如嵌套在該分區的div）正則表達式的方法won't work anymore和你在我Xidel需要一個HTML解析器，等等。然後，你可以找到文本

或者與CSS：

xidel http://www.zando.co.za/women/shoes/ -e 'css(".fct-seo")' | wc -w 

或模式匹配：

xidel http://www.zando.co.za/women/shoes/ -e '<div class="box fct-seo fct-text">{.}</div>' | wc -w 

它也將只打印文本，而不是HTML標籤。 （如果你/有人想他們，你可以添加--printed節點格式的XML選項）

Answer 3

嘗試：

grep -Pzo '(?<=<div)(.*?\n)*?.*?(?=</div)' -n inputFile.html | sed 's/^[^>]*>//'