html - sed 从 html 文件中删除标签

Question

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？？

Answer 1

您可以使用众多 HTML to text converters 之一, 尽可能使用 Perl 正则表达式 <.+?>或者如果它必须是 sed使用 <[^>]*>

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

如果没有错误的余地，请改用 HTML 解析器。 例如。当一个元素分布在两行时

<div
>Lorem ipsum</div>

这个正则表达式将不起作用。

---

这个正则表达式由三部分组成 < , [^>]* , >

• 搜索空缺<
• 后跟零个或多个字符 * , 这不是结束 >
[...]是 character class , 当它以 ^ 开头时寻找类(class)中不的字符
• 最后寻找关闭 >

更简单的正则表达式 <.*>将不起作用，因为它会搜索最长的可能匹配项，即最后一次关闭 >在输入行中。例如，当您在输入行中有多个标签时

<name>Olaf</name> answers questions.

将导致

answers questions.

代替

Olaf answers questions.

另见 Repetition with Star and Plus ，尤其是第Watch Out for The Greediness!节并在下面进行详细解释。