Como posso excluir tags html de um arquivo usando sed?

Question

Eu tenho um arquivo que é misturado com o texto normal que eu preciso e as tags html. Eu sei que com o REGEX é possível reconhecer tags html e com o sed um pode trocar por uma string vazia, mas eu não sei como aplicá-lo concretamente.

    

Answer 1

Contanto que suas tags HTML fiquem limitadas a uma única linha, as seguintes informações funcionarão:

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

    

Answer 2

Se você não está insistindo em sed , a melhor coisa a fazer seria lynx .

lynx --dump <filename>.html

Isso gerará o conteúdo do arquivo html no formato que o código html pretendia exibir. A única condição é que o nome do arquivo tenha uma extensão .html ou .htm .

    

Answer 3

Eu recomendo strongmente o uso de qualquer um dos programas chamados html2text ( 1 ) (2 ). A análise de HTML é muito mais difícil do que parece.