Question

如何使用sed删除html文件中的所有脚本标签

我尝试使用此方法，但是没有用，下面的命令不会从test1.html中删除任何脚本标签（为什么？）

$  sed -e 's/<script[.]+<\/script>//g' test1.html > test1_output.html

我的目标是从test1.html到test1_output.html

test1.html

<!DOCTYPE html>
<html>
    <head>
        <meta charset="UTF-8">
    </head>
    <body>
        <h1>My Website</h1>

        <div class="row">
            some text
        </div>

        <script  type="text/javascript"> utmx( 'url', 'A/B' );</script>

        <script src="ga_exp.js" type="text/javascript" charset="utf-8"></script>

        <script type="text/javascript">
            window.exp_version = 'control';
        </script>

    </body>
</html>

test1_output.html

<!DOCTYPE html>
<html>
    <head>
        <meta charset="UTF-8">
    </head>
    <body>
        <h1>My Website</h1>

        <div class="row">
            some text
        </div>

    </body>
</html>

Answer 1

sed is the wrong tool for this:

请勿尝试使用sed，awk，grep等（这会导致不良结果）。在许多情况下，最好的选择是使用支持XML数据的语言编写。如果必须使用Shell脚本，则可以使用一些特定于HTML和XML的工具来为您解析这些文件。

看看pup或xsltproc来处理外壳上的所有HTML。

Answer 2

如果我正确理解了您的问题，并且您想删除<script></script>中的所有内容，那么我认为您必须将sed分成几部分（您可以使用;单行）；

使用：

sed 's/<script>.*<\/script>//g;/<script>/,/<\/script>/{/<script>/!{/<\/script>/!d}};s/<script>.*//g;s/.*<\/script>//g'

第一行（s/<script>.*<\/script>//g）将在一行中为他们工作；

第二部分（/<script>/,/<\/script>/{/<script>/!{/<\/script>/!d}}）几乎是@akingokay答案的引号，只是我排除了出现的行（以防万一它们之前或之后有东西）。 Using sed to delete all lines between two matching patterns中对此有很好的解释；

最后两个（s/<script>.*//g和s/.*<\/script>//g）最终会照顾到开头和结尾的行，或者不要开头和结尾的行。

现在，如果您的index.html具有：

<html>
  <body>
        foo
        <script> console.log("bar) </script>
  <div id="something"></div>
        <script>
                // Multiple Lines script
                // Blah blah
        </script>
        foo <script> //Some
        console.log("script")</script> bar
  </body>
</html>

运行此sed命令，您将得到：

cat index.html | sed 's/<script>.*<\/script>//g;/<script>/,/<\/script>/{/<script>/!{/<\/script>/!d}};s/<script>.*//g;s/.*<\/script>//g'
<html>
  <body>
    foo


        <div id="something"></div>




    foo 
 bar
  </body>

</html>

最后，您将有很多空格，但是代码应该可以按预期工作。当然，您也可以使用sed轻松删除它们。

希望有帮助。

PS：我认为@ l0b0是正确的，这不是正确的工具。

Answer 3

由于 l0b0 已经mentioned，使用sed处理HTML是一个坏主意。
除了pup和xlstproc之外，还有另一个名为xidel的工具。

$ xidel -s test1.html -e '//body/transform(/,function($x){$x/(if (name()="script") then () else .)})' --output-format=html

另请参阅this online xidelcgi demo。

Answer 4

您可以在线测试这些实用程序，例如在http://rextester.com/l/bash_online_compiler上。

echo 'abc <script> def </script> xyz' | sed "/<script/,/<\/script>/d"

输出为= abc和xyz

Answer 5

这将起作用：

sed 's/<script>//;s/<\/script>//' test1.html

此表达式在文本内搜索<script>和</script>子字符串，并将其替换为空白，因此将其删除：）

Answer 6

我发现@JorgeValenti 的答案无法识别带有 src 属性的脚本标签。这个版本的咒语解决了这个问题：

sed -i 's/<script.*<\/script>//g;/<script/,/<\/script>/{/<script/!{/<\/script>/!d}};s/<script.*//g;s/.*<\/script>//g'

bash sed-如何从html文件中删除所有脚本标签

6 个答案: