sed
e awk
(com expressões regulares - regex) não são as ferramentas mais adequadas para a tarefa. De maneira geral, regex não foi feito para trabalhar com HTML (pode até "funcionar" em muitos casos, mas não é a ferramenta mais adequada para a tarefa).
Embora seja possível - e até "fácil" nos casos mais simples - é muito mais garantido usar um parser de HTML, e ao longo da resposta veremos os motivos.
Por exemplo, com sed
, uma solução ingênua seria:
sed -e 's/^.*<title>//' -e 's/<\/title>.*//' pagina.html
Ou seja, primeiro eu removo tudo desde o início até a tag <title>
, e depois removo tudo de </title>
em diante. O que sobrar é o título da página.
Mas no seu caso, como você quer pegar o conteúdo de um h1
, então ficaria:
sed -e 's/^.*<h1[^>]*>//' -e 's/<\/h1>.*//' pagina.html
Mas essa solução é simplista demais. Por exemplo, se o HTML tiver algo assim:
<title>título da página</title>
<!-- <title>title comentado</title> -->
O primeiro comando acima pegará a tag que está comentada. E alterar as regex para que detectem comentários não é lá muito simples.
É por este e outros motivos que regex não é a melhor ferramenta para fazer parsing de HTML (veja mais detalhes aqui, aqui e aqui).
Uma opção - melhor, na minha opinião - é usar o xmllint
, que é parte da libxml
(procure na Internet como instalá-lo no seu sistema, não é difícil).
Com ele fica bem mais simples obter o title
(e qualquer outra tag). Ex:
xmllint --xpath '//title/text()' --html pagina.html
O comando acima devolve somente o texto da tag title
. Se quiser também a tag, basta remover o /text()
. Além disso, como ele é um parser, já consegue detectar - e ignorar - corretamente se a tag estiver dentro de comentários, como no exemplo acima.
No caso do h1
, poderia ser algo como:
xmllint --xpath '//h1[1]/text()' --html pagina.html
h1[1]
serve para pegar apenas o primeiro h1
(caso haja mais de um na página).