由于某些原因，我从脚本中获取输出，该脚本使用一些我不需要的额外HTML代码来抓取html页面。
这就是我的意思：
... MY DATA IN A SINGLE ROW FOLLOWED BY ...> <script>function fbs_click() {u=location.href;t=document.title;window.open('http://www.facebook.com/sharer.php?u='+encodeURIComponent(u)+'&t='+encodeURIComponent(t),'sharer','toolbar=0,status=0,width=626,height=436');return false;}</script><style> html .fb_share_button { display: -moz-inline-block; display:inline; padding:1px 11px 0 5px; height:15px; border:1px solid #d8dfea; background:url(http://static.ak.facebook.com/images/share/facebook_share_icon.gif?6:26981) no-repeat top right; } html .fb_share_button:hover { color:#fff; border-color:#295582; background:#3b5998 url(http://static.ak.facebook.com/images/share/facebook_share_icon.gif?6:26981) no-repeat top right; text-decoration:none; } </style> <a rel="nofollow" href="http://www.facebook.com/share.php?u=/dizionario/recensi ne.asp?id=11334" class="fb_share_button" onclick="return fbs_click()" target="_blank" style="text-decoration:none;"></a>
也许这个额外的代码可以用REGEXP删除，删除标签旁边的字符串的所有内容和包含的标签..
答案 0 :(得分：3)
使用正则表达式删除html标签（以及脚本和样式）并不总是很容易，但是由于您正在寻找一种bash方式，您可以使用一个简单的技巧：使用文本浏览器（lynx，links，w3m），示例：
lynx -dump input.html > output.txt
或者您可以将内联工具xidel与XPath查询一起使用：
xidel ./input.html --extract "//text()[not(parent::style|parent::script)]"
您也可以尝试使用正则表达式，但它不那么安全：
sed 's/<script.*<\/script>\|<style.*<\/style>\|<[^>]*>//g' input.html
（请注意，此正则表达式失败，例如：<script>sfsdfsfsdf</script> CONTENT <script>sdfsdfsdf</script>）
或者您可以在html上下文中使用这个更安全的正则表达式：
sed -r 's/<script([^<]|<[^\/]|<\/[^s]|<\/s[^c])*<\/script>|<style([^<]|<[^\/]|<\/[^s]|<\/s[^t])*<\/style>|<[^>]*>//g' input.html
您可以通过在最后一个案例之前添加捕获组（即|<[^>]*>）轻松保留“a”和“strong”等标记：
|(<a ([^<]|<[^\/]|<\/[^a]|<\/a[^>])*<\/a>|<strong([^<]|<[^\/]|<\/[^s]|<\/s[^t]|<\/st[^r])*<\/strong>)
然后将替换模式更改为$3（它是模式的第三组）