Sed从html文件中删除标签

Question

我需要使用sed命令从bash脚本中删除所有标签。 我试着用这个

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

和蒙山这个

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

但我还是错过了什么，有什么建议？

Answer 1

您可以使用许多HTML to text converters之一，使用Perl的正则表达式，如果可能的<.+?>或者如果它必须是sed使用<[^>]*>

sed -e 's/<[^>]*>//g' file.html 

如果没有空间错误，请使用HTML解析器来代替。 例如当一个元素分为两行时

<div 
>Lorem ipsum</div> 

这个正则表达式不起作用。

---

这个正则表达式包括三个部分<，[^>]*，>

• 搜索开口<
• 后跟零个或多个字符*，这是不闭合>
[...]是一个character class，当它以^开头时寻找字符不在类
• 终于寻找关闭>

更简单的正则表达式<.*>将无法​​正常工作，因为它搜索最长可能的匹配，即在输入行的最后收盘>。例如，当您在输入行有一个以上的标签

<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，特别是章节Watch Out for The Greediness!及以下，为详细解释。