mac中使用sh脚本去除文件中的html标签并生成新文件

利用sed命令

#!/bin/bash

# 检查是否提供了输入文件
if [ $# -eq 0 ]; then
    echo "Usage: $0 <filename>"
    exit 1
fi

input_file=$1
output_file="${input_file%.*}_no_html.${input_file##*.}"

# 使用sed去除HTML标签
sed 's/<[^>]*>//g' $input_file > $output_file

echo "HTML tags have been removed. Output is in $output_file"

使用方式

1. 给这个脚本文件执行权限，使用命令 chmod +x remove_html.sh。
2. 运行脚本并传递包含HTML的文件名作为参数，例如 ./remove_html.sh example.html。

解析

• 脚本首先检查是否有文件名作为参数传入。
• 定义输入文件和输出文件的名称，输出文件名基于输入文件名，但是会在文件扩展名前加上 _no_html。
• 使用sed命令去除输入文件中的所有HTML标签，正则表达式 <[^>]*> 用于匹配任何在尖括号内的字符。
• 处理后的文本保存在新文件中。

如果想保留空格和换行

修改sed逻辑

#!/bin/bash

# 检查是否提供了输入文件
if [ $# -eq 0 ]; then
    echo "Usage: $0 <filename>"
    exit 1
fi

input_file=$1
output_file="${input_file%.*}_no_html.${input_file##*.}"

# 使用sed去除HTML标签，保留空格和换行
sed 's/<[^>]*>//g' $input_file > $output_file

echo "HTML tags have been removed while preserving spaces and newlines. Output is in $output_file"

sed命令解析

sed（stream editor）是一种在Linux和Unix系统中非常强大的文本处理工具。它主要用于对文本数据的编辑工作，可以用来快速地进行文本替换、插入、删除等多种操作。

基本语法

sed的基本语法格式：

sed [options] 'command' file_name

• options：sed命令的选项，比如-i用于直接修改文件内容，而不是输出到标准输出。
• command：要执行的sed命令，如替换、删除等。
• file_name：要处理的文件名。

常用命令

1. 替换文本：

   sed 's/原字符串/新字符串/' file

   这里的s表示替换操作。默认情况下，只有每行中的第一个匹配项会被替换。如果要替换所有匹配项，可以加上g标志：

   sed 's/原字符串/新字符串/g' file

2. 删除行：

   sed 'nd' file

   这里的n是行号，d表示删除操作。例如，删除第三行：

   sed '3d' file

3. 插入和追加文本：

   • 插入（在指定行之前）：

     sed 'n i\插入的文本' file

   • 追加（在指定行之后）：

     sed 'n a\追加的文本' file

4. 选择性打印行： 使用-n选项和p命令可以打印特定的行：

   bash

   sed -n 'p' file  # 没有实际效果，因为它会打印所有行
   sed -n '5p' file # 只打印第五行

5. 使用正则表达式： sed可以结合正则表达式使用，提高命令的灵活性和强大功能：

   sed -n '/pattern/p' file  # 打印所有匹配正则表达式pattern的行

进阶用法

• 多点编辑： sed支持在一次命令中执行多个编辑操作，操作之间用分号分隔：

  sed 's/原字符串1/新字符串1/; s/原字符串2/新字符串2/' file

• 直接修改文件： 使用-i选项可以直接修改文件内容，而不是将结果输出到标准输出：

  sed -i 's/原字符串/新字符串/g' file