Como dice el titulo quiero extraer el texto que hay entre dos palabras. Para ello se me ocurrio crear un sistema con el comando sed que me permitiese sustituir lo que buscaba para luego con greep y cut extraerlo. Pero el resultado a sido en todos los casos un fracaso absoluto, os pongo un poco en situación.
Tengo este texto con muchisimo codigo por encima y por debajo :
<div class="item">
<div class="imagens">
<a href="http://sitio.php">
<img src="https://image.jpg" alt="texto" width="100%" height="100%"/></a>
<span class="imdb"><b><b class="icon-star"></b></b> 7.2</span>
</div>
<span class="text">texto</span>
<span class="fecha">2016</span>
</div>
<div class="item">
<div class="imagens">
<a href="http://sitio.php">
<img src="https://image.jpg" alt="texto" width="100%" height="100%"/></a>
<span class="imdb"><b><b class="icon-star"></b></b> 7.2</span>
</div>
<span class="text">texto</span>
<span class="fecha">2015</span>
</div>
La cuestion es que necesito extraer con codigo con python o bash (preferiblemente bash) de tal manera que solo me quede el texto de dentro de las palabras que yo parametrice.
EJ:
Parametrizo estos dos textos "<div class="item"><div class="imagens">
" y este "</div>
" de tal manera que quedase un texto como este:
<a href="http://sitio.php">
<img src="https://image.jpg" alt="texto" width="100%" height="100%"/></a>
<span class="imdb"><b><b class="icon-star"></b></b> 7.2</span>
</div>
<span class="text">texto</span>
<span class="fecha">2016</span>
Encontre esta pregunta que responde con python a mi problema, pero me devuelve un error.
#coding: utf-8
from itertools import takewhile
inicio = '<div class="item"><div class="imagens">'
final = "</div>"
with open("sitio.html") as fichero:
fpos = (linea for linea in fichero
if not line.startswith(inicio))
resultado = list(takewhile(lambda s: not s.startswith(final), fpos))
Traceback (most recent call last): File "prueba.py", line 10, in resultado = list(takewhile(lambda s: not s.startswith(final), fpos)) File "prueba.py", line 9, in if not line.startswith(inicio)) NameError: global name 'line' is not defined
Con ello entiendo que ese "line" deberia de ser un "linea", pero si lo modificio no obtengo ningun resultado. Tampoco uno de error...
Dejo aqui el link: ¿Como puedo leer o imprimir un bloque de lineas o datos de un archivo, entre dos lineas o dos palabras claves dentro del el archivo en python?
EDITO
La respuesta de [@Ivan Botero][1] creo que es la mas cercana a la solución del problema que tengo, pero sigo con el problema de que no consigo seleccionar el segundo </div>
que tiene.
La cuestión es que mostrase el resultado de este texto:
<div class="item">
<div class="imagens">
<a href="http://sitio.php">
<img src="https://image.jpg" alt="texto" width="100%" height="100%"/></a>
<span class="imdb"><b><b class="icon-star"></b></b> 7.2</span>
</div>
<span class="text">texto</span>
<span class="fecha">2016</span>
</div>
Y las etiquetas que no deben de salir son: y el segundo:
</div>
Debido a que el primero esta en medio del codigo, justo detras de la etiqueta de cerrar span. Alguna ayuda por favor? [1]: http://es.stackoverflow.com/a/46147/25508