awkのパターンマッチングについて。

質問

特定web siteからfileをdownload後にファイルのmd5値
およびsha-1値をtextに抽出(出力)させたいと考えてます。

全体の流れとしては以下になります。
(1)web pageをfileとして保存
(2)htmlをtxtに変更しtext editerにてgrep
※grepに使用するキーはhttpsにすると下記情報が一行ず
つ出力されます。

<tr><td><a href="https://download.xxxxxxxxxxxxxxxx">

href="#" title="MD5|xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"

href="#" title="SHA-1|xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"

(3)上記をキーとしてawkからテキストに出力

ご質問させていただきた点は(3)のawkの部分です。
Forawk.exeを使用して実行したいのですがパターンマッチングが分かりません。

以下key選択方法についてご教示の程お願いします。
(1) httpsから始まるリンクを$1
(2) "MD5|"から始まる32行の乱数を$2
(3) "sha-1|"から始まる40行の乱数を$3

print $1 " " $2 " " $3

でうまく表示できるのではないかと考えています。

その他良い案等ありましたら合わせてご提示の程お願いします。

回答No.3

sakusaker7

> 2)htmlをtxtに変更しtext editerにてgrep
> ※grepに使用するキーはhttpsにすると下記情報が一行ずつ出力されます。
とありますが、貼り付けられている出力例は一行には見えません。
本当に貼り付けられている通りに出力されるのなら

>href="#" title="MD5|xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"
>href="#" title="SHA-1|xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx"

はひっかからないですよね。

また、前処理としてエディターでgrepかけないでも直接awkでやっちゃえば良いように思うのですが。

>ご質問させていただきた点は(3)のawkの部分です。
自分が質問する立場のときは「ご質問」とはしないんじゃないですかね。

回答No.2

sholmes

forawkというものは知りませんが、gawk前提ツールのようなのでgawkを使いました。

http://ideone.com/arTJ9

正規表現や行番号等は、利用される環境や正式なデータに適宜合わせて下さい

※このやり方が良いかどうかは自分でもわかりません。

回答No.1

noname#194317

パターンマッチだと文字列を見つけることはできても、取り出すことはできないので、そこはコードに頼らざるを得ません。見た目にきれいではないですが、matchかindex関数でhttpsなりの位置を調べ、そこを起点にsubstr関数で取り出すしかないでしょう。特に(2)(3)は長さが決まっているため、ベタに固定長で引っぱって来られますから簡単です。問題はURLですが、これはhttpsが含まれる行の長さを見るか、行末の">の位置を調べるかのいずれかで取り出す長さの特定が可能です。

$1,$2はawkによってシステム変数FS（デフォルトはスペース）で指定されたキーごとに分解された語が格納される変数なので、今回はそんなものを書いても通用しないです。