Sed從html文件中刪除標籤

Question

我需要使用sed命令從bash腳本中刪除所有標籤。 我試着用這個

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

和蒙山這個

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

但我還是錯過了什麼，有什麼建議？

Answer 1

您可以使用許多HTML to text converters之一，使用Perl的正則表達式，如果可能的<.+?>或者如果它必須是sed使用<[^>]*>

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

如果沒有空間錯誤，請使用HTML解析器來代替。 例如當一個元素分爲兩行時

<div 
>Lorem ipsum</div> 

這個正則表達式不起作用。

---

這個正則表達式包括三個部分<，[^>]*，>

• 搜索開口<
• 後跟零個或多個字符*，這是不閉合>
[...]是一個character class，當它以^開頭時尋找字符不在類
• 終於尋找關閉>

更簡單的正則表達式<.*>將無法​​正常工作，因爲它搜索最長可能的匹配，即在輸入行的最後收盤>。例如，當您在輸入行有一個以上的標籤

<name>Olaf</name> answers questions. 

將導致

回答問題。

，而不是

奧拉夫回答問題。

另請參閱Repetition with Star and Plus，特別是章節Watch Out for The Greediness!及以下，爲詳細解釋。