A través de este comando estoy extrayendo información sobre las entidades bancarias existentes en España y sus correspondientes códigos:
curl -sX GET 'https://www.bde.es/webbe/es/estadisticas/otras-clasificaciones/clasificacion-entidades/listas-instituciones-financieras/listas-instituciones-financieras-monetarias-pais/lista-mfi-es.html' | egrep 'ES[0-9]{2}'
El resultado de ese código es un texto como el siguiente que se repite por cada entidad bancaria:
<tr><td headers="code">ES8840</td><td headers="lei">9598000WTZEQB8MJGF25</td><td headers="nom">Xfera Consumer Finance, E.F.C. S.A.</td><td headers="cat">Otra institución</td><td headers="dir">PS DE LOS MELANCOLICOS, 14, 28005, MADRID</td><td headers="inf" class="centrado">No</td><td headers="mat" class="centrado"></td><td headers="cods" class="centrado">8840</td></tr>
Mi objetivo es obtener el código del banco, es decir, ES8840 (para el caso mostrado) y el nombre del banco, es decir, Xfera Consumer Finance, E.F.C. S.A.
Lo he hecho eliminando el texto que hay entre código de banco y nombre con el comando sed y luego con un grep extrayendo el texto que me interesa de este modo:
<COMANDO ANTERIOR> | sed -E s'/<\/td.*nom">//' | grep -oE 'ES[0-9]{4}[^<]*'
Resultado:
Funciona bien, pero me preguntaba si es posible hacerlo en una sola expresión con grep. Desconozco si en una sola regex puedo descartar trozos de texto intermedios entre dos extremos que quiero obtener.
Agradecería asesoramiento si lo que planteo es viable.
ESA86969607|BIP&Drive EDE, S.A
,ESW0230061D|CA AUTO BANK, SPA, SUCURSAL EN ESPAÑA
,ESV63050835|CAIXABANK MONETARIO RENDIMIENTO, FI
, y unos 10 más aproximadamente. Si no quieres saltártelos, elimina la segunda línea de mi respuesta y te apareceran.