SED等で文字列を抽出したい

質問

MacOS X 10.6のターミナルを使って文字列を加工して抽出する方法の質問です。
次のような複数行からなるテキスト（ファイル名を 1.txt とします）があります。

<a href="./hoge/82111.310.12345000.htm" target="_blank">
<a href="./hoge/42403.310.33345025.htm" target="_blank">
<a href="./hoge/22154.310.50873323.htm" target="_blank">
...
このテキスト（1.txt）から、sed（?もっと適切なものがあれば別のものでも）コマンド
を用いて

82111.12345000.htm
82401.33345025.htm
82111.50873323.htm
...
といった具合に、
hoge/ のあとから始まり htmで終わる文字列から .310を取り除いた文字列を抜き出して
ファイル一覧のテキスト（2.txt） に書き出す方法を教えてください。
なお、1.txtの行数は不定で変動し、その行数に応じて2.txtも行数が増えていきます。
また htmのファイル名のところは　5桁のランダムな数字.310.8桁のランダムな数字.htm
という規則になっています。（.310 と.htm の部分は固定です）
よろしくお願いします。

回答No.1

sholmes · ベストアンサー

とりあえずこんな感じとか
sed -r 's/^<a href="\.\/hoge\/([0-9]{5}\.)310\.([0-9]{8}\.htm)".+/\1\2/' 1.txt > 2.txt

1.txtの内容がそれだけしっかり統一されているのであれば、もっといい加減に書いても動くと思います。
ちなみに置換後サンプルの82401とか82111って、42403と22154の事ですよね？

補足

ご回答ありがとうございます。

早速試したところ、OSX の sedでは -rオプションが使えない　みたいなエラーメッセージがでたので、
いろいろ検索して「OSXのsedでは拡張正規表現（？）を使うには -Eをつける」という記述のページがあったので
-rを -E オプションに変えてみて実行しました。

結果、一行目の<a href="./hoge/82111.310.12345000.htm" target="_blank">　から
82111.12345000.htm　を抜き出した 2.txtが生成されました。
ですが、二行目以降は抜き出せません。
1.txt中のすべての行の*****.*********.htmを抜き出すにはどうすればいいでしょうか？

>> ちなみに置換後サンプルの82401とか82111って、42403と22154の事ですよね？

すみません。おっしゃる通りでサンプル記載ミスです。

回答No.3

dscripty

[ANo.1] さんはかなりきれいな正規表現をかいてくれてるとおもうよ。

とりあえず、つぎのコマンドをためしてみて！
sed '1d' 1.txt
これで何も表示されなかったら、1.txt の改行コードが sed で期待されるコードとちがってるのかもね。

テキストエディタで改行コードをかえて何回かやってみて！

ってこれだけかいて終わりなのもなんだから、
いい加減なのを一つ。

sed '/"\.\/hoge\/\([0-9][0-9]*\)\.[0-9][0-9]*\.\([0-9][0-9]*\)\.htm"/s//\1.\2.htm/' 1.txt > 2.txt

お礼

改行コードを変えたところ、sholmesさんのコマンドで正常にかきだせました。
教えてくださった正規表現についても大変参考になりました。
（といってもまだ正規表現の　せ　の字もわかってない段階ですが、一つずつ噛み砕いて勉強させていただきます。

ありがとうございました。

回答No.2

sholmes

ありゃすみません・・・
同じ環境が無いので、念のためMacOS10なら入ってそうなRubyに変えさせてください

Ruby1.8.7
ruby -ne '/(\d{5}\.)310\.(\d{8}.htm)/ =~ $_; puts("#{$1}#{$2}")' 1.txt > 2.txt

お礼

No.3 dscriptyさんの指摘にあった 改行コードが原因だったようです。

No.1（オプションを -Eに変更）、No.2のどちらでも、希望のとおりの抽出変換ができました。
正規表現で理解できない部分もありますが、いただいた回答例を参考にしながら勉強してみます。

今回はありがとうございました。