使用shell抽取html資料之二

昨天使用shell指令碼來抽取html資料的時候，碰到了一個問題，如果要抽取的資料成了如下的情形時，資料的抽取就會出現不一致，有一些記錄會沒有資料，只顯示"未開售" 這個時候如果還是按照原來的思路來抽取就會出現資料混亂的情況，比如根據第一列抽取資料一共有75 行，但是根據右邊的賠率只能得到74行，有一行的資料混亂，後面的資料就全亂了。

+1	5.80↑ 4.40 1.38↓
	2.58↑ 3.55↑ 2.18↓
2	未開售
	1.55↓ 4.30 4.00↑

大體的Html程式碼如下：
可以看到對應的div FM2,FHMW如果都有資料，都含有3行對應的資料，如果div FMW中只顯示“未開售”的時候，只有一行。
這樣資料明顯的不對應。
需要找到一定的規律來有條件的抽取和過濾。

FMW">
                                                                 6.00
                                                                 4.30
                                                                 1.38

FHMW">
                                                                 2.55
                                                                     3.50
                                                                     2.22 "return false;">

                                                             0
                                                             -2

FMW">
                                                                 未開售

                                                                 1.53
                                                                     4.45
                                                                     4.00

現在來做一個改進，按照div來抽取。
grep "em class=\"vs\"" *e|awk -F"score-text\">" '{print $2}'|awk -F" vs.lst
grep -A4 "div class=\"selection\"" *e|grep -A3 "FMW" |awk '{ if($2~/no-sale/) {print "\"num\">0< \n \"num\">0< \n \"num\">0< \n" } else {print $5$6}}'|awk -F"num\">" '{print $2}'|awk -F" fmw.lst
grep -A9 "div class=\"selection\"" *e|grep -A3 "FHMW" |awk '{ if($2~/no-sale/) {print "\"num\">0< \n \"num\">0< \n \"num\">0< \n" } else {print $5$6}}'|awk -F"num\">" '{print $2}'|awk -F" hfmw.lst

抽取後的資料就會很自然的顯示出來，我們把“未開售”的記錄設定為0
資料抽取過濾後，結果就會如下所示，資料就不會亂了。
1,3.40,3.35,1.88,1.71,3.65,3.70
2,0,0,0,2.85,4.20,1.85
1,4.90,3.95,1.50,2.24,3.60,2.47
1,7.10,4.80,1.29,2.95,3.75,1.91
1,5.30,3.85,1.48,2.26,3.35,2.58
1,5.00,4.00,1.49,2.25,3.55,2.48
1,3.20,3.40,1.93,1.68,3.75,3.75

來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/23718752/viewspace-1257616/，如需轉載，請註明出處，否則將追究法律責任。