刪除html標記，但不是標記內容

Question

我有一堆Word文檔被「保存爲」過濾html。 html文件包含我需要刪除的外部ole鏈接。例如，我想替換：

<h3><a name="OLE_LINK25">My Section Title</a></h3> 

與

<h3>My Section Title</h3> 

對我怎麼可能做到這一點的任何建議，以自動化的方式？

Answer 1

Jsoup可能有助於刪除名稱以「OLE」開頭的所有錨定標記。

Elements anchors = doc.select("a[name^=OLE]"); 
for (Iterator it = anchors.iterator(); it.hasNext();) { 
    Element anchor = it.next(); 
    String text = anchor.text(); 
    Element header = anchor.parent(); 
    header.text(text); 
} 

Answer 2

你可以嘗試這樣的事情（未經測試，確保測試前）：

sed -i".backup" 's/<([^ ]+) name="OLE[^"]*">([^<]+)<\/\1>/\2/g' *.html 

這將完成與剛剛WHATEVER_HERE所有* .html文件替換<TAG name="OLE....">WHATEVER_HERE</TAG>所有occurrances。它也將讓每個* .html文件的備份從FILENAME.html到FILENAME.html.backup

如果必要的話，下載 sed for Windows

或者gnu sed