免费注册 查看新帖 |

Chinaunix

  平台 论坛 博客 文库
› 论坛 › 程序设计 › Shell › 简单的正则表达式求助
最近访问板块 发新帖
查看: 2286 | 回复: 4
打印 上一主题 下一主题

简单的正则表达式求助 [复制链接]

liwensi

论坛徽章:
0
跳转到指定楼层
1楼 [收藏(0)] [报告]
发表于 2008-09-09 23:36 |只看该作者 |倒序浏览
10可用积分
如何去掉HTML里面所有的tag比如<HTML></HTML>

另外<style>A.title1:link {font-size:14px;font-family:arial;font-weight:bold;text-decoration:none;color:#ffffff;}
</style> 中间的部分也要去掉。。。
welcome008

论坛徽章:
0
2楼 [报告]
发表于 2008-09-09 23:44 |只看该作者
首先搞定style中间的部分
sed 's/\<style\>*\<style\\\>//g' filename

然后搞定tag

sed 's/\<*\>//g' filename
sed 's/\<*\\\>//g' filename

我的大概思路就是这样，没有文本测试，还得修改。
实战分享：从技术角度谈机器学习入门| 【大话IT】RadonDB低门槛向MySQL集群下战书 | ChinaUnix打赏功能已上线！ | 新一代分布式关系型数据库RadonDB知多少？
springwind426

论坛徽章:
0
3楼 [报告]
发表于 2008-09-10 08:47 |只看该作者
对于那些不可嵌套的标志，比较好处理，可是，对于那些可嵌套的标志（比如：div,table,tr,td等），处理就相当麻烦了。
实战分享：从技术角度谈机器学习入门| 【大话IT】RadonDB低门槛向MySQL集群下战书 | ChinaUnix打赏功能已上线！ | 新一代分布式关系型数据库RadonDB知多少？
ly5066113

论坛徽章:
23
15-16赛季CBA联赛之吉林 日期:2017-12-21 16:39:27白羊座 日期:2014-10-27 11:14:37申猴 日期:2014-10-23 08:36:23金牛座 日期:2014-09-30 08:26:49午马 日期:2014-09-29 09:40:16射手座 日期:2014-11-25 08:56:112015年辞旧岁徽章 日期:2015-03-03 16:54:152015年迎新春徽章 日期:2015-03-04 09:49:0315-16赛季CBA联赛之山东 日期:2017-12-21 16:39:1915-16赛季CBA联赛之广东 日期:2016-01-19 13:33:372015亚冠之山东鲁能 日期:2015-10-13 09:39:062015亚冠之西悉尼流浪者 日期:2015-09-21 08:27:57
4楼 [报告]
发表于 2008-09-10 09:06 |只看该作者
原帖由 liwensi 于 2008-9-9 23:36 发表
如何去掉HTML里面所有的tag比如

另外A.title1:link {font-size:14px;font-family:arial;font-weight:bold;text-decoration:none;color:#ffffff;}
中间的部分也要去掉。。。


用perl吧，有现成的模块。
实战分享：从技术角度谈机器学习入门| 【大话IT】RadonDB低门槛向MySQL集群下战书 | ChinaUnix打赏功能已上线！ | 新一代分布式关系型数据库RadonDB知多少？
blackold

论坛徽章:
5
2015年辞旧岁徽章 日期:2015-03-03 16:54:152015年迎新春徽章 日期:2015-03-04 09:50:282015年亚洲杯之朝鲜 日期:2015-03-13 22:47:33IT运维版块每日发帖之星 日期:2016-01-09 06:20:00IT运维版块每周发帖之星 日期:2016-03-07 16:27:44
5楼 [报告]
发表于 2008-09-10 09:51 |只看该作者

回复 #1 liwensi 的帖子

可以试试sed脚本：
sed -f 1htmltag.sed urhtmlfile | sed -f html2txt.sed

要求tag是小写的。
这样处理后的结果有空行，要将空行删除。 基本达到要求。

1htmltag.sed:

  2. s/\(.\{1\}\)\(<\)/\1\
  3. \2/g

  5. s/<!--/&\n/g
  6. s/-->/&\n/g

  8. /<[^>]\{1,\}$/{
  9.                 N
  10.                 s/\(.\{1\}\)\(<[^/]\)/\1\
  11. \2/
  12.                 /\n>/s/\n>/>\n/
  13.                 P
  14.                 D
  15. }
复制代码


html2txt.sed

  2. 1,/<body/d
  3. /<script/,/<\/script>/d
  4. /<style/,/<\/style>/d
  5. s/<[^>]\{1,\}>//g
  6. s/&[a-z]\+;//g
  7. /<!--/,/-->/d
复制代码

[ 本帖最后由 blackold 于 2008-9-10 09:53 编辑 ]
实战分享：从技术角度谈机器学习入门| 【大话IT】RadonDB低门槛向MySQL集群下战书 | ChinaUnix打赏功能已上线！ | 新一代分布式关系型数据库RadonDB知多少？
返回列表 发新帖
高级模式
B Color Image Link Quote Code Smilies
您需要登录后才可以回帖 登录 | 注册

本版积分规则 发表回复

  

北京盛拓优讯信息技术有限公司. 版权所有 京ICP备16024965号-6 北京市公安局海淀分局网监中心备案编号：11010802020122 niuxiaotong@pcpop.com 17352615567
未成年举报专区
中国互联网协会会员  联系我们：huangweiwei@itpub.net
感谢所有关心和支持过ChinaUnix的朋友们 转载本站内容请注明原作者名及出处

清除 Cookies - ChinaUnix - Archiver - WAP - TOP