使用CMD或JavaScript批量查找和删除部分HTML文件

Question

假设文件夹中有一组文本文件.html。

我需要处理每个文件并删除特定HTML标记的内容，包括标记本身。文件必须在处理后重写。

示例：

1. 删除所有<script>块
2. 删除包括内部内容在内的所有<div class="test-class">块

像sed -i -e 's/REGEX//g' *.html这样的Regex工具对HTML不好。因此，我正在寻找侧重于基于//script、//div[@class="test-class"]等XPATH的HTML解析的解决方案。

实现这一目标的最佳方法是什么？

Answer 1

使用xmlstarlet编辑当前目录中的所有.html文件：

xmlstarlet edit --inplace --omit-decl --delete '//script' --delete '//div[@class="test-class"]' *.html

请参阅：xmlstarlet edit --help

这可能有助于处理一个损坏的html文件：

xmlstarlet format --recover --html file.html |\
  xmlstarlet edit --omit-decl --delete '//script' --delete '//div[@class="test-class"]' > new.html