過濾掉HTML代碼使用grep

Question

我正在使用的bash shell腳本一個項目。這個想法是grep一個wget檢索頁面，以便在網頁上找到某個段落。我想複製的區域，通常有一個

<p><b> 

啓動，但該段還包含HTML代碼的其他位，如錨標籤，我不希望在grep的輸出。
我試圖

cat page.html| grep "<p><b>" >grep.txt 

，然後我用grep輸出文件，它現在包含段落我想

cat grep.txt|grep -v '<p>|<b>|<a>' >grep.txt 

但後來它的作用是明顯的一切從文件，而不是讀什麼。我怎樣才能讓它只排除HTML代碼？

我也試圖遵循在我的grep段落的聯繫，以做同樣的事情與這些網頁。只有2層深，所以主頁面，然後是主頁面的第一段的任何子頁面。我知道這是一個困難的想法，希望我解釋得很好，以獲得一些幫助。如果你有任何想法，任何幫助表示讚賞。

Answer 1

你必須這樣做在bash？在我看來了Python會借給自己這個問題，特別是庫調用Beautiful Soup。

我以前用這個解析HTML，它是我能找到的最簡單的工具。它有很好的documentation for dealing with html。

也許你可以做一個獨立的python代碼，提取HTML然後回顯你之後的字符串。然後可以從你的bash腳本中調用python代碼，如果你有一些bash函數要對字符串執行的話。