Cómo eliminar etiquetas XML de la línea de comandos de Unix?

Question

estoy grepping un archivo XML, lo que me da salida como esta:

<tag>data</tag> 
<tag>more data</tag> 
... 

Nota, este es un archivo plano, no un árbol XML. Quiero eliminar las etiquetas XML y simplemente mostrar los datos en el medio. Estoy haciendo todo esto desde la línea de comandos y me preguntaba si hay una manera mejor que las tuberías en awk dos veces ...

cat file.xml | awk -F'>' '{print $2}' | awk -F'<' '{print $1}' 

Idealmente, me gustaría hacer esto en un comando

Answer 1

Si el archivo se parece a eso, entonces sed puede ayudarle a:

sed -e 's/<[^>]*>//g' file.xml 

Por supuesto you should not use regular expressions for parsing XMLbecause it's hard.

Answer 2

Utilizando awk:

awk '{gsub(/<[^>]*>/,"")};1' file.xml 

Answer 3

seguirlo:

grep -Po '<.*?>\K.*?(?=<.*?>)' inputfile 

Explicación:

Utilizando Perl expresiones Compatible Regular (-P) y la salida sólo los partidos especificados (-o):

• <.*?> - Partido no codicioso de cualquier carácter dentro de paréntesis angulares
• \K - No incluya el partido anterior en la salida (RESET START partido - similar a la mirada positiva detrás, pero funciona con longitud variable coincide)
• .*? - no codicioso partido parando en el próximo partido (esta parte será de salida)
• (?=<.*?>) - partido no codicioso de los personajes dentro de paréntesis angulares, y no incluyen el partido en la salida (Look-positivo adelante - funciona con coincidencias de longitud variable)

Answer 4

Utilice la herramienta de línea de comandos html2text, que convierte html en texto sin formato.

Alternativamente, usted puede tratar ex-way:

ex -s +'%s/<[^>].\{-}>//ge' +%p +q! file.txt 

o:

cat file.txt | ex -s +'%s/<[^>].\{-}>//ge' +%p +q! /dev/stdin 

Answer 5

Sé que esto no es un "concurso perlgolf", pero solía utilizar este truco.

Conjunto separador de registros de < o >, a continuación, imprimir sólo las líneas impares:

awk -vRS='<|>' NR%2 file.xml