Выбрать файлы .html в папке которые содержат (!) только XML (исключить .mp3, pdf [Решено]

[OlgaOlga]

Пыталась этой командой, но выбирает все подряд файлы:
grep -l '.xml' *.html | while read f; do mv "$f" DIR; done
(Нужно убрать все html странички из папки, которые содержат .mp4, .mp3, .pdf, и прочую лабутень, не относящуюся к XML)
 

[xub]

Я Вас приветствую, попробуйте вот так:

Код: [Выделить]

mkdir /tmp/extra;find . -regex '.*\(.html\|.xml\|.htmls\).*' -exec cp {} /tmp/extra  \;Это просто скопирует файлы, посмотрите в /tmp/extra те или не те, а может они Вам вообще даже и нужны…

Если всё нормально, тогда cp замените на mv
и ещё раз посмотрите, чтобы не удалилось (в данном случае переместилось) ничего лишнего…

2019 Nov 19; 09:15 PM

[zg_nico]

Нужно убрать все html странички из папки, которые содержат .mp4, .mp3, .pdf, и прочую лабутень, не относящуюся к XML

Сформулируйте пожалуйста внятно задачу. "Странички" - это, надо полагать, текстовые файлы с расширением .htm или .html? "Странички" не должны содержать указанные ключевые слова ГДЕ? В тексте самой "странички"? В имени файла, под которым сохранена "страничка"? Где именно? И причем здесь вообще XML? От всего перечисленного зависит какую утилиту и каким образом можно использовать. Если я правильно понимаю задачу - grep должно хватить. Но пока понятно только то, что ничего не понятно 

[OlgaOlga]

Есть html файлы:  веб-страницы, скачанные с сайта https://www.margaretthatcher.org/
Всего их 836 штук, +/-
Все они содержат выступления Маргарет Тэтчер в виде текста в формате XML.
Внутри некоторых страниц содержаться видео, аудио, документы.
Нужно выбрать только те страницы, которые содержат только текст (PURE XML, TEXT)--для того, чтобы их могла обработать программа RStudio и извлечь оттуда все реплики Маргарет Тэтчер (реплики других политиков не нужны).
Это необходимо для проведение сентимент-анализа (анализа тональностей).
Пользователь добавил сообщение 20 Ноября 2019, 08:12:44:Сделала. Просто склеила в один большой txt файл и обработала в RStudio

[zg_nico]

веб-страницы, скачанные с сайта ... всего их 836 штук, +/-

OlgaOlga, сложный Вы, однако, человек. Парсерами самописными такие задачи решаются проще всего. Осознаем сперва что откуда выдирать (смотрим сайт, понимая что именно нам надо, и находим закономерности по вот такому

хочу цитату М.Тетчер, а она на всякой странице, где попадается, заключена в тег <div id='quote'></id>, следовательно мне надо обшарить все страницы этого диапазона и с каждой выдернуть данный тег, получив на выходе саму цитату, прямую ссылку на нее и *еще_какая-нибудь_псефдоважная_ерунда*

направлению рассуждений), после берем в руки хоть тот же python, и пишем парсер, а далее запускаем его и идем заниматься своими делами. К окончанию его работы будем иметь необходимую информацию и не будем иметь 836 +/- страниц непойми чего на диске, с которыми еще возиться постфактум (пример 1, пример 2, пример 3)...
Ладно. Решили и решили. Закрыто.