Sed从html文件中删除标签

Question

我需要使用sed命令使用bash脚本从html中删除所有标记。 我试过这个

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

和这个

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

但我仍然怀念一些东西，有什么建议吗？

Answer 1

您可以使用众多HTML to text converters中的一个，如果可能，请使用Perl正则表达式<.+?>，或者如果必须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>

这个正则表达式不起作用。

---

此正则表达式由三部分<，[^>]*，>

组成

• 搜索开放<
• 后跟零个或多个字符*，这不是结束>
[...]是character class，当它以^开头时，在类中查找字符而不是
• 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匹配，即输入行中的最后一个结束>。例如，当输入行中有多个标记时

<name>Olaf</name> answers questions.

将导致

  

回答问题。

而不是

  

奥拉夫回答问题。

另请参阅Repetition with Star and Plus，尤其是Watch Out for The Greediness!部分及其后的详细说明。