Removendo “palavra” específica do arquivo de texto

Question

Eu tenho o arquivo .srt com legendas. No entanto, minha TV não reconhece sinais como <i> </i> , por isso ela é impressa apenas na tela. Estou procurando uma maneira de excluir todas as marcações html.

    

Answer 1

Os arquivos .srt são arquivos .txt com uma extensão .srt, para que você possa abrir um arquivo .srt no Gedit Text Editor e excluir facilmente uma string de texto como <i> ou </i> usando Pesquisar - > Substituir (que abre uma nova janela Substituir ) - > Substituir Tudo .

Você também pode substituir cadeias de texto no aplicativo Gnome Subtitiles, no entanto Pesquisar - > Substituir no Gnome Subtitles não reconhece tags HTML incorporadas. Em vez disso, o Gnome Subtitles funciona como um processador de texto e permite que você formate texto em itálico sem mostrar suas tags HTML.

    

Answer 2

Via sed

mas isso é apenas bom o suficiente para simplista HTML. . Para uma melhor solução via perl ou html2text , veja abaixo.

sed -i".$(date +'%s').bak" 's/<[^>]*>//g' your_input_file

Explicação

• -i".$(date +'%s').bak"

  edite os arquivos no lugar (faz backup se o SUFFIX for fornecido)

• 's/<[^>]*>//g'

  • < corresponde aos caracteres < literalmente
  • [^>]* corresponde a um único caractere não presente na lista abaixo
    • Quantificador: * Entre zero e ilimitado, tantas vezes quanto possível, devolvendo conforme necessário [ganancioso]
    • > um único caractere na lista > literalmente (diferencia maiúsculas de minúsculas)
  • > corresponde aos caracteres > literalmente
  • g modificador: global. Todas as partidas (não retornam no primeiro jogo)
  • s modificador: linha única. Ponto corresponde a caracteres de nova linha

Exemplo

• O arquivo de entrada foo

  % cat foo
  2
  00:00:22,000 --> 00:00:28,074
  Advertise your product or brand here
  contact www.OpenSubtitles.org today
  
  3
  00:00:36,036 --> 00:00:39,096
  <i>When I was a child in India,</i>
  
  4
  00:00:39,205 --> 00:00:43,005
  <i>growing up in the tiny village
  of Harenmahkeester,</i>
  
  5
  00:00:45,145 --> 00:00:47,238
  <i>I found a voice-over machine,</i>
  

• O comando e o novo conteúdo do arquivo foo

  % sed -i".$(date +'%s').bak" 's/<[^>]*>//g' foo
  
  % cat foo
  2
  00:00:22,000 --> 00:00:28,074
  Advertise your product or brand here
  contact www.OpenSubtitles.org today
  
  3
  00:00:36,036 --> 00:00:39,096
  When I was a child in India,
  
  4
  00:00:39,205 --> 00:00:43,005
  growing up in the tiny village
  of Harenmahkeester,
  
  5
  00:00:45,145 --> 00:00:47,238
  I found a voice-over machine,
  

Usando o Perl

1. Instale uma biblioteca

   sudo apt-get install libfile-slurp-unicode-perl
   

2. Crie um arquivo perl removeTags

   #!/usr/bin/perl
   use HTML::Parse;
   use HTML::FormatText;
   use File::Slurp;
   
   my $text = read_file($ARGV[0]);
   
   $text =~ s/\n/<br>/g;
   $plain_text = HTML::FormatText->new->format(parse_html($text));
   print $plain_text
   

3. Use seu arquivo srt como parâmetro

   dos2unix foo.srt; ./removeTags foo.srt | unix2dos > foo_out.srt
   

Usando html2text

dos2unix foo.srt; perl -pe 's/\n/<br>/g' foo.srt | html2text | unix2dos > foo_out.srt

    

Answer 3

Você pode usar o Vim no modo Ex:

ex -sc '%s/<[^>]*>//g|x' file.srt

1. % seleciona todas as linhas

2. s substituto

3. g substitua todas as ocorrências em cada linha

4. x salvar e fechar