Links aus HTML-Seite extrahieren

[Sylexx]

Hallo,

ich möchte aus einer lokalen HTML-Datei bestimmte Links extrahieren. Die Vorgehensweise ist durch Aufgabenstellung vorgeschrieben:
1. alle Zeilenumbrüche "\n" durch Leerzeichen ersetzen (sodass alles in einer Zeile)
2. Dann beim relevanten <TAG> (in diesem fall "a") ein Zeilenumbruch einfügen
3 Grep anwenden

Punkt 1 ist schnell durch >> tr "\n" " " << erledigt, beim 2. Punkt weiss ich noch nicht so ganz weiter...vor allem wo und wie ich dann dieses Leerzeichen einfuegen soll (hinter </a>?)
Grep (Punkt 3) sollte mir eigentlich keine Schwierigkeiten bereiten.

Hat jemand eine Idee? Wäre echt dankbar!!!

 

[rikola]

Damit Du mit grep ein brauchbares Ergebnis erziehlst, musst Du ja '<a ...> ... </a>' separat in einer Zeile stehen haben. Damit muesstest Du Dir doch ueberlegen koennen, wo die Zeilenumbrueche hinsollen, oder nicht?

 

[Sylexx]

Damit Du mit grep ein brauchbares Ergebnis erziehlst, musst Du ja '<a ...> ... </a>' separat in einer Zeile stehen haben. Damit muesstest Du Dir doch ueberlegen koennen, wo die Zeilenumbrueche hinsollen, oder nicht?

Ich denke mal hinter dem </a>...
Kann man das auch mit tr umsetzen?

 

[rikola]

Ich denke mal hinter dem </a>...

Stimmt, aber Du benoetigst noch einen zweiten Zeilenumbruch an einer weiteren Stelle!

Kann man das auch mit tr umsetzen?

Ich denke, sed ist dazu besser geeignet. tr bezieht sich auf einzelne Zeichen, waehrend sed mit Zeichenketten umgehen kann.

 

[Aqualung]

wget http://sed.sourceforge.net/grabbag/scripts/list_urls.sed
chmod +x list_urls.sed
./list_urls.sed <foo.html>

 

[Sylexx]

Leider sollen wir das ganze ohne sed realsieren...

Sinnig wäre es doch dann, vor dem "href" einen weiteren Umbruch zu machen.

 

[Aqualung]

Leider sollen wir das ganze ohne sed realsieren...

Dann solltest Du den zugelassenen Wekzeugkasten genauer eingrenzen,

 

[rikola]

Ohne es ausprobiert zu haben, koennte Dir die Option '-o' von grep weiterhelfen. Dann kannst Du sogar den 2. Punkt der Anweisung ueberspringen.

 

[Sylexx]

Ich habe mittlerweile in jeder Zeile einen Link stehen, in der Form
href="http://Link" target="" etc.

So, nun möchte ich egrep anwenden, doch das bereitet mir noch erhebliche Schwierigkeiten.
egrep soll praktisch nur das http://www.name.de heraussuchen. Der Rest soll weg.
Zudem soll noch gefiltert werden, ob es sich um http:// , https:// oder ftp handelt, also der Anfang des Links.

Bräuchte echt ein Rat...