sed HTML <！ - - >标签

Question

我想在解析HTML页面时从grep结果中删除所有HTML标记，这样结果就是纯文本， 例如，在解析phpinfo以仅获取PHP版本而不是包括HTML标记的整行时：

$curl -i http://piscina.tienda/phpinfo.php | grep 'PHP Version' | head -1 
 href="http://www.php.ne.... alt="PHP logo" /></a><h1 class="p">PHP Version 5.5.33</h1>

虽然我希望仅获得“PHP Version 5.5.33”。

我尝试过以下sed模式：

sed -e 's/<.*>//g'
sed -e 's/^<.*>$//g'

但结果是完整的HTML代码或全部空白（所有输出都被替换）。 你能告诉我在这种情况下是否可以用sed删除HTML标签，或者最好在这种情况下使用其他运算符？或问题是模式？

提前感谢任何提示！

Answer 1

通常，您不应使用sed等面向行的工具来操纵XML数据。使用像xmlstarlet这样的XML感知工具。在这种情况下，这可能会做你想要的：

xmllint --html --xpath '//text()'

Answer 2

默认情况下，正则表达式是贪婪的，它们将搜索最大匹配。将?添加到*（'s/<.*?>//g'）以使匹配过程变得懒惰。

Answer 3

感谢大家的提示。经过一些额外的研究，下面的模式就是这个伎俩：

sed -e＆＃39; s /＆lt; [^＆gt;] *＆gt; // g＆＃39;

$ curl -is http://piscina.tienda/phpinfo.php | grep 'PHP Version' | head -1 | sed -e 's/<[^>]*>//g'
PHP Version 5.5.33

希望将来能帮到某人。

Answer 4

您不需要sed，只需使用parameter expansion。这是代码：

#save the first line into a variable
line='href="http://www.php.ne.... alt="PHP logo" /></a><h1 class="p">PHP Version 5.5.33</h1>'
tempstr=${line%<*}
result=${tempstr##*>}
echo "$result"

输出：

PHP Version 5.5.33

如果你想将它们保存在脚本中，你可以通过以下方式保存字符串：

line=$(curl -i http://piscina.tienda/phpinfo.php | grep 'PHP Version' | head -1)

希望能帮到你。