从文本文件中删除HTML标记

Question

我有一些看起来像这样的HTML：

`<p>Flannel</p><p>Plaid</p><p>Red</p>`

我想删除<p>和</p>标记并替换为换行符，因此我最终得到类似的内容：

Flannel
Plaid
Red

我正在尝试使用此tr命令：

tr '<[^>]*>' '\n'

但它只删除了外部的<和>，所以我最终会改为：

p
Flannel
/p

p
Plaid
/p

p
Red
/p

如何修改它以删除整个标记？

注意：我不介意我是否最终在entires之间有多个新行，如果有必要，以后很容易删除。

Answer 1

试试这个 -

echo "<p>Flannel</p><p>Plaid</p><p>Red</p>"|awk '{gsub(/<[^>]*>/,"\n"); print }'

Flannel

Plaid

Red

Answer 2

除非这是一个快速而又脏的脚本，否则你绝对应该使用HTML解析器来处理HTML语言的所有复杂性。

快速而肮脏的解决方案可能是应用此sed命令：

sed 's/<[^>]*>/\n/g'

我认为通过您的具体示例可以满足您的需求：

$ echo "<p>Flannel</p><p>Plaid</p><p>Red</p>" | sed 's/<[^>]*>/\n/g'

Flannel

Plaid

Red
 

您的解决方案不起作用，因为tr不会处理字符串，而是处理字符：它只是替换它找到的每个<[^>]*个字符，无视您的事实试图写一个正则表达式。

Answer 3

将它们全部放在同一个

中

<p>

标签，然后在每个标签之间使用
标签添加换行符。 所以，代码应该是这样的：

<p>Flannel<br>Plaid<br>Red</p>