如何在终端中解析 html 文本文件？

Question

我有一个文本文件，即使在删除所有 html 标签后仍然包含一些 html 撇号代码和其他标点符号示例：

  It's  // It's 

我的问题是如何更改所有这些？

并且我在 linux 下使用 bash 脚本来获取 html 文件

Answer 1

使用Python：

$ echo 'It's' | python -c 'import xmllib,sys; print(xmllib.XMLParser().translate_references(sys.stdin.read()))'
It's

使用 Perl：

$ echo 'It's' | perl -MHTML::Entities -pe 'decode_entities($_);'
It's

Answer 2

或者，如果您得到 lynx，则将其用作：

lynx -stdin -dump < file.html

以上也会删除 HTML 标签，例如 file.html

<i>It&#039;s</i>
&lt;<b>&amp;</b>&#62;

打印

   It's <&>