在工作中我们多多少少都接触过XML文件，它的格式非常有规律性，但读起来因为有太多的标签（<>），不能一目了然，就比如下面的一段配置：

<configuration>
    <artifactItems>
        <artifactItem>
            <groupId>zzz</groupId>
            <artifactId>aaa</artifactId>
        </artifactItem>
        <artifactItem>
            <groupId>xxx</groupId>
            <artifactId>yyy</artifactId>
        </artifactItem>
    </artifactItems>
</configuration>

本案例的需求是从上面的XML文本中提取groupId和artifactId，并输出为如下格式：

artifactItem:groupId:zzz
artifactItem:artifactId:aaa
artifactItem:groupId:xxx
artifactItem:artifactId:yyy

知识点一：关于XML的小常识

XML（Extensible Markup Language）翻译成中文叫做：可扩展标记语言。如果你接触过HTML，那么你会觉得XML跟HTML挺像，其实它们都是一种标记语言。XML主要用来传送以及携带数据信息，而不是用来展示的，所以我们读起来就有点障碍。

有不少服务的配置文件就是一个XML文本，在XML文本中定义对应的配置，就比如本案例中的示例文本就是一个配置文件。XML的作用主要在于存储数据，它以纯文本格式进行存储，因此提供了一种独立于软件和硬件的数据存储方法。这让创建不同应用程序可以共享的数据变得更加容易。由于XML文本的格式是固定的，无论是Windows、Linux或者Mac等其他操作系统，都可以识别，所以它的兼容性很好。

有一点，我们必须要知道，那就是XML是一种不作为的标记语言，即，它不像HTML需要被解析、执行然后展示漂亮的网页，它存在的意义仅仅是结构化、存储以及传输信息。

知识点二：截取文档中两个关键词中间的行

需求是，把文本中包含'abc'和包含'123'中间的部分打印出来，假设'abc'在'123'上面。如果使用sed，一条命令即可实现：

sed -n '/abc/,/123/p' 1.txt

不过这样依然有abc和123的行，要想去掉它们也很简单，如下：

sed -n '/abc/,/123/p' 1.txt|sed '/abc/d;/123/d'

如果文本中有多个abc和123，则会同时把所有符合条件的行全部打印出来，下面我再提供一个比较笨的土方法，帮助大家练习逻辑思维能力。

#!/bin/bash
#先获取abc和123所在行的行号
egrep -n 'abc|123' 1.txt |awk -F ':' '{print $1}' > /tmp/line_number.txt

#计算一共有多少包含abc和123的行
n=`wc -l /tmp/line_number.txt|awk '{print $1}'`

#计算一共有多少对abc和123
n2=$[$n/2]

for i in `seq 1 $n2`
do
    #每次循环都要处理两行，第一次是1,2，第二次是3,4，依此类推
    m1=$[$i*2-1]
    m2=$[$i*2]

    #每次遍历都要获取abc和123的行号
    nu1=`sed -n "$m1"p /tmp/line_number.txt`
    nu2=`sed -n "$m2"p /tmp/line_number.txt`

    #获取abc下面一行的行号
    nu3=$[$nu1+1]

     #获取123上面一行的行号
    nu4=$[$nu2-1]

    #用sed把abc和123中间的行打印出来
    sed -n "$nu3,$nu4"p 1.txt

    #便于分辨，添加分隔行符号
    echo "============="
done

提供一个测试的文本1.txt，内容如下

alskdfkjlasldkjfabalskdjflkajsd
asldkfjjk232k3jlk2
alskk2lklkkabclaksdj
skjjfk23kjalf09wlkjlah lkaswlekjl9
aksjdf
123asd232323
aaaaaaaaaa
222222222222222222
abcabc12121212
fa2klj
slkj32k3j
22233232123
bbbbbbb
ddddddddddd

用sed处理，结果是这样的：

# sed -n '/abc/,/123/p' 1.txt|sed '/abc/d;/123/d'
skjjfk23kjalf09wlkjlah lkaswlekjl9
aksjdf
fa2klj
slkj32k3j

将上面的脚本保存到mysed.sh里，执行后结果是这样的：

# sh mysed.sh
skjjfk23kjalf09wlkjlah lkaswlekjl9
aksjdf
=============
fa2klj
slkj32k3j
=============

案例分析

1）首先需要找到<artifactItem>和</artifactItem>中间的数据段，针对这部分数据进行分析

2）可以找到XML文档中包含<artifactItem>和</artifactItem>的行的行号，然后使用sed把这部分内容截取出来

3）处理截取出来的数据段，使用sed、awk截取关键词以及对应的值

本案例参考脚本

#!/bin/bash
#按要求输出XML内容，本脚本定制性较强，不可通用
#作者：阿铭
#日期：2018-10-26

#假设要处理的XML文档名字为test.xml
#获取<artifactItem>和</artifactItem>所在的行号
grep -n 'artifactItem>' test.xml |awk '{print $1}' |sed 's/://' > /tmp/line_number.txt

#计算<artifactItem>和</artifactItem>的行一共有多少行
n=`wc -l /tmp/line_number.txt|awk '{print $1}'`

#定义获取关键词和其值的函数
get_value(){
    #$1和$2为函数的两个参数，即<artifactItem>下一行和</artifactItem>上一行的行号（这个操作在下面）
    #截取出<artifactItem>和</artifactItem>中间的内容，然后获取关键词（如groupId）和其对应的值，写入/tmp/value.txt
    sed -n "$1,$2"p test.xml|awk -F '<' '{print $2}'|awk -F '>' '{print $1,$2}' > /tmp/value.txt

    #遍历整个/tmp/value.txt文档
    cat /tmp/value.txt|while read line
    do
        #x为关键词，如groupId
        #y为关键词的值
        x=`echo $line|awk '{print $1}'`
        y=`echo $line|awk '{print $2}'`
        echo artifactItem:$x:$y
    done
}

#由于/tmp/line_number.txt是成对出现的，n2为一共多少对
n2=$[$n/2]

#针对每一对，打印关键词和对应的值
for j in `seq 1 $n2`
do
    #每次循环都要处理两行，第一次是1,2，第二次是3,4，依此类推
    m1=$[$j*2-1]
    m2=$[$j*2]

    #每次遍历都要获取<artifactItem>和</artifactItem>的行号
    nu1=`sed -n "$m1"p /tmp/line_number.txt`
    nu2=`sed -n "$m2"p /tmp/line_number.txt`

    #获取<artifactItem>下面一行的行号
    nu3=$[$nu1+1]

     #获取</artifactItem>上面一行的行号
    nu4=$[$nu2-1]

    get_value $nu3 $nu4
done

执行该脚本，结果和预期保持一致：

artifactItem:groupId:zzz
artifactItem:artifactId:aaa
artifactItem:groupId:xxx
artifactItem:artifactId:yyy