从文本文件中删除HTML标记

Question

我有一些html，如下所示：

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

我想去掉<p>和</p>标签，用换行符替换，这样我就得到了这样的结果：

Flannel
Plaid
Red

我试图使用以下tr命令：

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

但是它只是删除了外部的<和>，因此我最终得到了以下结果：

p
Flannel
/p

p
Plaid
/p

p
Red
/p

如何修改它以删除整个标记？

注意:我不在乎我是否在两个实体之间有多条换行符，如果有必要的话，这些行很容易被去掉。

Answer 1

试试这个-

echo "<p>Flannel</p><p>Plaid</p><p>Red</p>"|awk '{gsub(/<[^>]*>/,"\n"); print }'

Flannel

Plaid

Red

Answer 2

除非这是一个快速和肮脏的脚本，否则您肯定应该使用HTML解析器来处理HTML语言的所有复杂问题。

一个快速和肮脏的解决方案可以是应用这个sed命令：

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

我认为它能满足你需要的具体例子：

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

Flannel

Plaid

Red

您的解决方案不起作用，因为tr不工作在字符串上，而是在字符上工作:它只是替换它找到的每个<[^>]*字符，而忽略了您试图编写正则表达式的事实。

Answer 3

把它们都放进去

<p>

标签，然后使用

在每个标签之间添加一个换行符。所以，代码应该是这样的：

​

<p>Flannel<br>Plaid<br>Red</p>

​