Jestem początkującym w stosunku do systemu Linux. Czy mógłbyś mi pomóc, jak przekonwertować stronę html do pliku tekstowego? plik tekstowy usunie wszelkie obrazy i linki ze strony internetowej. Chcę używać tylko poleceń bash, a nie html do narzędzi konwertujących tekst. Na przykład chcę przekonwertować wyniki wyszukiwania google na pierwszej stronie dla "komputerów".Komenda bash do konwertowania strony html do pliku tekstowego
Dziękuję
użyłem python-boilerpipe i działa bardzo dobrze, do tej pory ...
Masz html2text w wierszu poleceń.
Zastosowanie: 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
myślę linki jest najbardziej powszechnym narzędziem do tego celu. Sprawdź linki użytkownika i wyszukaj zwykły tekst lub podobne. -Dump to moje przypuszczenie, szukaj też tego. Oprogramowanie jest dostarczane z większością dystrybucji.
Najprostszym sposobem jest użycie czegoś takiego których dump (w skrócie jest wersja tekst widoczny html)
zdalny plik
lynx --dump www.google.com > file.txt
links -dump www.google.com
lokalny plik
lynx --dump ./1.html > file.txt
links -dump ./1.htm
Właśnie zainstalowałem rysia, aby to zrobić, a wszystko, co dostaję, to oryginalny HTML porzucony ... – Alex
https:// linux.die.net/man/1/lynx To może być błąd, pewny, wiem, że kiedyś działał – Vahid
Czytanie strony komentarza: '-dump: zrzuca sformatowane dane wyjściowe z domyślnego dokumentu' - Rozumiem, że" sformatowany "oznacza, ze wszystkimi tagami html ... – Alex
Korzystanie sed
sed -e 's/<[^>]*>//g' foo.html
Dzięki.to jest naprawdę pomocne. nie zadziałało to jednak, gdy wzorzec <....> jest więcej niż jedną linią. –
Spowoduje to również wyprowadzenie zawartości takich elementów, jak
w Ubuntu/debian html2text jest dobrym wyborem. http://linux.die.net/man/1/html2text
Na OSX można użyć narzędzia wiersza polecenia o nazwie textutil na konwertowanie plików do formatu html txt:
textutil -convert txt *.html
[Co próbowałeś] (http://mattgemmell.com/2008/12/ 08/what-have-you-tried /)? – ghoti
Prawdopodobnie nie będziesz w stanie tego zrobić tylko za pomocą "poleceń basha", prawdopodobnie będziesz potrzebował przynajmniej "sed" lub "awk". Nie twierdząc, że nie można tego zrobić za pomocą zwykłych wbudowanych bashów, ale na pewno nie jest to możliwe. – lanzz