从文本文件中删除HTML标记

Question

我需要过滤掉文本文件中的所有HTML标记(可能是<...>之间的任意序列)

我想出了一个命令：cat my_file | sed 's/<[^>]*>//'，但是它在行中使用了第一个标记。如何删除所有标签？正则表达式有问题吗？

Answer 1

来自sed手册：

s命令后面可以有以下零或多个标志：

G

将替换应用于所有匹配的regexp，而不仅仅是第一个。

所以

 cat my_file | sed 's/<[^>]*>//g'

Answer 2

如果您的目的是删除所有的标签，并只得到他们之间的文字。使用，html2text或pup 'text{}‘https://github.com/ericchiang/pup http://www.mbayer.de/html2text/还有其他工具，如xidel、xmlstarlet。