Sono un principiante di Linux. Per favore, aiutami a convertire una pagina html in un file di testo. il file di testo rimuoverà qualsiasi immagine e link dalla pagina web. Voglio usare solo comandi bash e non html per gli strumenti di conversione del testo. Ad esempio, voglio convertire i risultati della ricerca google della prima pagina per "computer".comando bash per convertire la pagina html in un file di testo
Grazie
ho usato python-boilerpipe e funziona molto bene, finora ...
Hai html2text sulla riga di comando.
Usage: html2text.py [(filename|url) [encoding]]
Options:
--version show program's version number and exit
-h, --help show this help message and exit
--ignore-links don't include any formatting for links
--ignore-images don't include any formatting for images
-g, --google-doc convert an html-exported Google Document
-d, --dash-unordered-list
use a dash rather than a star for unordered list items
-b BODY_WIDTH, --body-width=BODY_WIDTH
number of characters per output line, 0 for no wrap
-i LIST_INDENT, --google-list-indent=LIST_INDENT
number of pixels Google indents nested lists
-s, --hide-strikethrough
hide strike-through text. only relevent when -g is
specified as well
penso link è lo strumento più comune per fare questo. Controlla i collegamenti man e cerca testo semplice o simile. -Dump è la mia ipotesi, cerca anche quello. Il software viene fornito con la maggior parte delle distribuzioni.
Il modo più semplice è quello di utilizzare qualcosa di simile, che la discarica (in breve è la versione testo HTML visualizzabile)
file remoto
lynx --dump www.google.com > file.txt
links -dump www.google.com
file locale
lynx --dump ./1.html > file.txt
links -dump ./1.htm
Ho appena installato lynx per fare questo, e tutto quello che ottengo è l'HTML originale scaricato ... – Alex
https://linux.die.net/man/1/lynx Potrebbe essere un bug insicuro, so che funzionava – Vahid
Leggere la pagina di commento: '-dump: dump l'output formattato del documento predefinito'-- Prendo il comando" formattato "significa, con tutti i tag html ... – Alex
Usando sed
sed -e 's/<[^>]*>//g' foo.html
Grazie.questo è veramente utile tuttavia, ciò non ha funzionato quando lo schema <....> è più di una riga. –
Produrrà anche il contenuto di elementi come
in ubuntu/debian html2text è una buona scelta. http://linux.die.net/man/1/html2text
su OSX è possibile utilizzare lo strumento da riga di comando chiamato textutil per convertire in batch file html in formato txt:
textutil -convert txt *.html
[Che cosa hai provato] (http://mattgemmell.com/2008/12/ 08/cosa-sono-si-provato /)? – ghoti
Probabilmente non riuscirai a farlo solo con "comandi bash", probabilmente avrai almeno "sed" o "awk". Non dicendo che non è possibile fare con semplici buildh bash, ma certamente non è fattibile. – lanzz