使用 SED 去除 HTML 内容

Question

我正在执行 SED 是指定工具的任务。任务是剥离任何网页文件（*.htm 或 *.html）的内容，并将所需数据插入新文件。

<body> 标签之前的所有内容都将被删除。
来自 </body> 标签的所有内容都将被删除。

下面是一个示例，其中要保留 <div> 个标签以及它们之间的内容：

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
<title>SED Challange</title>
</head>
<body style="background-color:black;"><div style="width:100%; height:150px; margin-top:150px; text-align:center">
<img src="pic.png" width="50" height="50" alt="Pic alt text" />
</div></body></html>

但是，我无法删除 <body> 以及之前的内容：

sed 's/.*body.*>//' ./index.html > ./index.html.nobody

包含 <body> 和 </body> 的两行已被删除，而不是预期的结果！

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
<title>SED Challange</title>
</head>

<img src="pic.png" width="50" height="50" alt="Pic alt text" />

我不明白为什么连一个人都会这样。感谢任何反馈。

编辑：

感谢 SLePort，这是我的完整脚本：

#!/bin/bash

#Search location as user provided argument.
target=""

#Recursive, case insensitive search for file extension like htm(l).
hit=$(find $target -type f -iname '*.htm' -or -iname '*.html')

for h in $hit
do
    hp=$(realpath $h) #Absolute path of file (hit path).
    echo "Stripping performed on $hp" #Informing what file(s) found.
    nobody="${hp}_nobody" #File to contain desired data ending with "_nobody".

    #Remove file contents from start to and including head-tag, 
    #Remove body-tag,
    #Remove end html-tag,
    #Removee blank lines,
    #Insert data from file to file_nobody.
    sed '1,/<\/head>/d;s/<\/*body[^>]*>//g;s/<\/html>//;/^$/d' $h > $nobody 
done

Answer 1

此 sed 应适用于给定的代码：

sed '1,/<\/head>/d;s/<\/*body[^>]*>//g;s/<\/html>//' ./index.html > ./index.html.nobody

它删除了：

行从第 1 行到 </head> 标记
<body> 和 </body> 标签
</html> 结束标记

但请注意 sed 不用于解析 html 文件。请改用 xml 解析器（例如：xmllint, XMLStarlet,...）

使用 SED 去除 HTML 内容

Strip HTML contents using SED

html

sed

strip

stripping