Linux ——正则表达式过滤（以北京监测网站为例）

Linux ——正则表达式过滤（以北京监测网站为例）

Linux ——正则表达式过滤（以北京监测网站为例）

一、实验内容

从因特网上搜索Web页，用wget获取网页，处理网页html文本数据，从中提取出当前时间点北京各监测站的PM2.5浓度，输出如下CSV格式数据：
2020-03-09 13:00:00,海淀区万柳,73
2020-03-09 13:00:00,昌平镇,67
2020-03-09 13:00:00,奥体中心,66
2020-03-09 13:00:00,海淀区万柳,73
2020-03-09 13:00:00,昌平镇,73
2020-03-09 13:00:00,奥体中心,75

二、实验步骤

1、通过“wget”命令，获取网页内容。

查看所获得的beijing.html文件的内容，如下所示：

2、对得到的html文件进行编辑。

由于网站的内容都是用标签作为前后缀，所以可以使用sed命令将标签<>替换为空格。

编辑之后得到的文件信息如下所示，可见这一步已提取出所有以汉字和数字来描述的关键信息。

3、由于每行前面没有诸如“2020-03-09 13:00:00”的日期和时间，所以使用awk命令提取更新时间。

编写awk文件如下：

该操作之后得到如下结果，说明日期已经被提取出来了！

4、下面提取各个检测点的名字和PM2.5的指数等信息。观察发现，每一行都有共同的“ μg”和“m3”。于是考虑用这两个中的一个来提取它们所在的行。

修改awk文件如下：

如果用“m”来提取的话，会出现如下内容，多出来了一条无用的信息，因为这一行也含有“m”。这是我们不想看到的情况。

所以，选择用“g”来提取试试。如下图所示，没有多余的行，因此用“g”最为合适。

5、这时的结果已经很接近最后的格式了，但是前面没有年份。因此，用命令sed -e ‘s/s,更新：/2020- /g’将前面的“s，更新”字样改为2020。

6、最后，用命令sed ‘s/00:00/00:00:00/g’ 将时间从00:00改为00:00:00。