93578
Jul 13, 2017, updated at 12:46:48 (UTC)
3213
4
0
Bash-Script um aus einer Textdatei alle HTML-Tags zu entfernen. Hilfe!
Hall an alle,
ich habe eine Textdatei (LF, Win-1252), die wie folgt aussieht:
Dort will ich alle HTM-Tags entfernen.
Dazu habe ich folgendes Script gefunden ("web.sh"):
Am Ende will ich folgendes haben:
Stattdessen habe ich aber:
Also in "asdcf<>sd" wird "<>" gelöscht. Und die Zeile <forum> wird auch komplett gelöscht.
Ich will aber solche Zeilen ja behalten! Es wurden doch in der ersten Zeile extra zu löschende HTML-Tags definiert. Warum werden dann andere Wörter in <> oder leere <> gelöscht? Wie kann man das korrigieren?
ich habe eine Textdatei (LF, Win-1252), die wie folgt aussieht:
<html>
<head>
<title>Test</title>
</head>
<body bgcolor=white leftmargin="0" topmargin="0" marginwidth="00" marginheight="0" class=NormalFont>
<tr>
<td align=center><b>Date</b></td>
<td align=center><b>Total Hours</b></td>
</tr>
12345
asdfwf
asfs<fv
asdcf<>sd
<forum>
</table>
</body>
</html>Dort will ich alle HTM-Tags entfernen.
Dazu habe ich folgendes Script gefunden ("web.sh"):
htmlTags="a|b|big|blockquote|body|br|center|code|del|div|em|font|h[1-9]|head|hr|html|i|img|ins|item|li|ol|option|p|pre|s|small|span|strong|sub|sup|table|td|th|title|tr|tt|u|ul"
cat datei.txt | sed -r "s/<[^>]*>//g;s/^\w.*=\"\w.*\">//;s/^($htmlTags)>//I;s/<\/*($htmlTags)$//I;s/&*/&/gI;s/"/\"/gI;s/'/'/gI;s/'/'/gI;s/</</gI;s/£/£/gI" > datei1.txt Am Ende will ich folgendes haben:
Test
Date
Total Hours
12345
asdfwf
asfs<fv
asdcf<>sd
<forum>Stattdessen habe ich aber:
Test
Date
Total Hours
12345
asdfwf
asfs<fv
asdcfsdAlso in "asdcf<>sd" wird "<>" gelöscht. Und die Zeile <forum> wird auch komplett gelöscht.
Ich will aber solche Zeilen ja behalten! Es wurden doch in der ersten Zeile extra zu löschende HTML-Tags definiert. Warum werden dann andere Wörter in <> oder leere <> gelöscht? Wie kann man das korrigieren?
Share on Facebook
Share on Twitter
Share on Reddit
Share on LinkedinPlease also mark the comments that contributed to the solution of the article
Content-Key: 343321
Url: https://administrator.de/contentid/343321
Printed on: April 26, 2024 at 09:04 o'clock
4 Comments
Latest comment
<forum>
Dir ist hoffentlich schon klar das wenn du eckige Klammern und andere Sonderzeichen nutzen willst das man diese im HTML-Code mit deren HTML-Entities so schreibt<forum>Gruß
Ja, es ist mir klar.
Das ist nur ein Beispiel. In der Realität aber habe ich durchaus solche Wörter und möchte gerne sie auch so behalten (zusammen mit dazugehörigen eckigen Klammern). Man muss sich einfach von typischen HTML-Seite-Aufbau abstrahieren.
Es handelt hier nicht um eine HTML-Datei, sondern um eine Textdatei mit etlichen HTML-Code-Fragmenten/Tags, die ich gerne entfernen will.
Das ist nur ein Beispiel. In der Realität aber habe ich durchaus solche Wörter und möchte gerne sie auch so behalten (zusammen mit dazugehörigen eckigen Klammern). Man muss sich einfach von typischen HTML-Seite-Aufbau abstrahieren.
Es handelt hier nicht um eine HTML-Datei, sondern um eine Textdatei mit etlichen HTML-Code-Fragmenten/Tags, die ich gerne entfernen will.
Logisch das das <forum> und das <> entfernt wird wenn du im sed-Regex diesen Abschnitt drin hast
Denn der entfernt ja alle Tags mit beliebigem oder ohne Inhalt.
Btw. sind das bei weitem nicht alle möglichen HTML-Tags. HTML5 erlaubt inzwischen auch eigens benannte Tags das nur zur Info, deswegen ist das Auflisten aller Tags hier eigentlich Müll.
s/<[^>]*>//g
Btw. sind das bei weitem nicht alle möglichen HTML-Tags. HTML5 erlaubt inzwischen auch eigens benannte Tags das nur zur Info, deswegen ist das Auflisten aller Tags hier eigentlich Müll.
Danke! Jetzt hab ich es endlich kopiert.