bash - 从文本文件中删除 HTML 标签

Question

我有一些 html 看起来像这样:

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

我想剥离 <p>和 </p>标记并替换为换行符，所以我最终得到如下内容:

Flannel
Plaid
Red

我正在尝试使用这个 tr命令:

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

但它只是删除了外部 <和 > ，所以我最终得到了这个:

p
Flannel
/p

p
Plaid
/p

p
Red
/p

如何修改它以删除整个标签？

注意:我不在乎是否最终在整体之间有多个换行符，如有必要，这些很容易在以后剥离。

Answer 1

除非这是一个快速而复杂的脚本，否则您绝对应该使用 HTML 解析器来处理 HTML 语言的所有复杂问题。

一个快速而肮脏的解决方案可能是应用这个 sed命令:

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

我认为它可以满足您对具体示例的需求:

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

Flannel

Plaid

Red
 

您的解决方案无效，因为 tr不适用于字符串但适用于字符:​​它只是替换每个 <[^>]*它找到的字符，忽略您试图编写正则表达式的事实。