从文件中的所有行中删除<s>和</s>

Question

我正在处理一个相当大的文件，我将用它来创建word2vec嵌入。该文件在每行包含一个句子，所有行以开始标记和结束标记开头。现在我想做的是使用sed删除开始和结束标签，但我无法弄清楚如何做到这一点。

我试过了

sed myfile 's/<s> //g' > resultfile
sed resultfile 's/ </s>//g' > finalfile

但是这会产生＆＃34;命令后的额外字符＆＃34;错误。

如果有人能给我正确的模式，我会非常开心。提前谢谢！

Answer 1

试试这个：

sed 's#</\?s>##g' file

• 这将一次删除<s>和</s>
• #是sed的s命令的分隔符，因为您的模式已经是斜杠。
• </\?s>是正则表达式，匹配<s> and </s>

Answer 2

你的论点顺序错误。

尝试使用：

sed -e 's/<[^>]*>//g' myfile.txt

删除任何 html标记

参考：Sed remove tags from html file