SEO コンテンツを保持するすべての e コマース サイトのページに div があります。そのdivの単語数を数えたいと思います。大規模なクロールで空のページを診断するためのものです。
div は常に次のように始まります。
<div class="box fct-seo fct-text
次に、、およびタグが含ま<h1>れ<p>ます<a>。
その後、明らかに、次のように閉じます</div>
SED、AWK、WCなどを使用して、divの開始と終了divの間のすべてのコードを取得し、発生する単語の数をカウントするにはどうすればよいですか? 90%の精度なら満足です。
最初の終了が検出される前に、スキャンを停止するように何らかの方法で指示する必要が</div>あります。
操作するページの例を次に示します。
http://www.zando.co.za/women/shoes/
とても有難い。-P
それがより複雑になると（そのdivにネストされたdivのように）、正規表現アプローチは機能しなくなり、私のXidelのようにhtmlパーサーが必要になります。次に、テキストを見つけることができます
cssのいずれか：
xidel http://www.zando.co.za/women/shoes/ -e 'css(".fct-seo")' | wc -w
またはパターンマッチング：
xidel http://www.zando.co.za/women/shoes/ -e '<div class="box fct-seo fct-text">{.}</div>' | wc -w
また、htmlタグではなく、テキストのみを印刷します。（あなた/誰かがそれらを欲しがっているなら、あなたは--printed-node-format xmlオプションを追加することができます）
Perl ワンライナーでは、..演算子を使用して、関心のある領域の開始と終了に一致するパターンを指定できます。
$ perl -wne 'print if /<div class="box fct-seo fct-text/ .. /<\/div>/' shoes.html
wc -w次に、単語を次のように数えます。
$ perl -wne 'print if /<div class="box fct-seo fct-text/ .. /<\/div>/' shoes.html | wc -w
HTML タグ自体の「単語」をカウントすると、精度に影響を与えるほど数値に影響する場合は、次のような方法でそれらをカウントから削除できます。
$ perl -wne 'next unless /<div class="box fct-seo fct-text/ .. /<\/div>/; s/<.*?>//g; print' shoes.html | wc -w
試す：
grep -Pzo '(?<=<div)(.*?\n)*?.*?(?=</div)' -n inputFile.html | sed 's/^[^>]*>//'