过滤掉HTML代码使用grep

Question

我正在使用的bash shell脚本一个项目。这个想法是grep一个wget检索页面，以便在网页上找到某个段落。我想复制的区域，通常有一个

<p><b> 

启动，但该段还包含HTML代码的其他位，如锚标签，我不希望在grep的输出。
我试图

cat page.html| grep "<p><b>" >grep.txt 

，然后我用grep输出文件，它现在包含段落我想

cat grep.txt|grep -v '<p>|<b>|<a>' >grep.txt 

但后来它的作用是明显的一切从文件，而不是读什么。我怎样才能让它只排除HTML代码？

我也试图遵循在我的grep段落的联系，以做同样的事情与这些网页。只有2层深，所以主页面，然后是主页面的第一段的任何子页面。我知道这是一个困难的想法，希望我解释得很好，以获得一些帮助。如果你有任何想法，任何帮助表示赞赏。

Answer 1

你必须这样做在bash？在我看来了Python会借给自己这个问题，特别是库调用Beautiful Soup。

我以前用这个解析HTML，它是我能找到的最简单的工具。它有很好的documentation for dealing with html。

也许你可以做一个独立的python代码，提取HTML然后回显你之后的字符串。然后可以从你的bash脚本中调用python代码，如果你有一些bash函数要对字符串执行的话。