sed 从 html 文件中删除标签 [英] Sed remove tags from html file

问题描述

我需要使用 sed 命令从带有 bash 脚本的 html 中删除所有标签.我试过这个

sed -r 's/[<][/]?[a-zA-Z0-9="-#.& ]+[/]?[>]//g' $1

还有这个

sed -r 's/[<][/]?[.]*[/]?[\]?[>]//g' $1

但我还是想念一些东西，有什么建议吗??

解决方案

您可以使用众多 HTML 到文本转换器，如果可能，使用 Perl 正则表达式 <.+?> 或者如果它必须 sed 使用 <[^>]*>

sed -e 's/<[^>]*>//g' file.html

如果没有错误余地，请改用 HTML 解析器.例如.当一个元素分布在两行上时

这个正则表达式不起作用.

<小时>

这个正则表达式由三部分组成 <, [^>]*, >

• 搜索打开<
• 后跟零个或多个字符*，它们不是结束的>
[...] 是一个 字符类，当它以 ^ 开头，在类中查找不是的字符
• 最后寻找关闭>

更简单的正则表达式 <.*> 将不起作用，因为它搜索可能的最长匹配，即输入行中最后一个关闭的 >.例如，当您在输入行中有多个标签时

Olaf回答问题.

将导致

<块引用>

回答问题.

代替

<块引用>

奥拉夫回答问题.

另见用星号和加号重复，特别是注意贪婪！ 和下面的详细解释.

I need to remove all tags from a html with a bash script using the sed command. I tried with this

sed -r 's/[<][/]?[a-zA-Z0-9="-#.& ]+[/]?[>]//g' $1

and whith this

sed -r 's/[<][/]?[.]*[/]?[\]?[>]//g' $1

but I still miss something, any suggestions??

解决方案

You can either use one of the many HTML to text converters, use Perl regex if possible <.+?> or if it must be sed use <[^>]*>

sed -e 's/<[^>]*>//g' file.html

If there's no room for errors, use an HTML parser instead. E.g. when an element is spread over two lines

<div
>Lorem ipsum</div>

this regular expression will not work.

---

This regular expression consists of three parts <, [^>]*, >

• search for opening <
• followed by zero or more characters *, which are not the closing >
[...] is a character class, when it starts with ^ look for characters not in the class
• and finally look for closing >

The simpler regular expression <.*> will not work, because it searches for the longest possible match, i.e. the last closing > in an input line. E.g., when you have more than one tag in an input line

<name>Olaf</name> answers questions.

will result in

answers questions.

instead of

Olaf answers questions.

See also Repetition with Star and Plus, especially section Watch Out for The Greediness! and following, for a detailed explanation.

这篇关于sed 从 html 文件中删除标签的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！