Soy un principiante de Linux. ¿Podría ayudarme a cómo convertir una página html en un archivo de texto? el archivo de texto eliminará cualquier imagen y enlace de la página web. Solo quiero usar comandos bash y no html para convertir texto. Como ejemplo, quiero convertir los resultados de búsqueda de la primera página de google para "computadoras".comando bash para convertir la página html en un archivo de texto
Gracias
Solía python-boilerpipe y funciona muy bien, hasta ahora ...
Tienes html2text en la línea de comandos.
Uso: 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
creo enlaces es la herramienta más común de hacer esto. Compruebe los enlaces man y busque texto sin formato o similar. -dump es mi suposición, busca eso también. El software viene con la mayoría de las distribuciones.
La manera más fácil es usar algo como esto, que el vertedero (en pocas palabras es la versión de texto de HTML visible) de archivos remoto
lynx --dump www.google.com > file.txt
links -dump www.google.com
archivo local
lynx --dump ./1.html > file.txt
links -dump ./1.htm
Acabo de instalar lince para hacer esto, y todo lo que obtengo es el HTML original volcado ... – Alex
https://linux.die.net/man/1/lynx Puede ser un error inseguro, sé que solía funcionar – Vahid
Leyendo la página de comentarios: '-dump: vuelca la salida formateada del documento predeterminado'-- Lo tomo" formateado "significa, con todas las etiquetas html ... – Alex
usando sed
sed -e 's/<[^>]*>//g' foo.html
Gracias.esto es realmente útil. sin embargo, esto no funcionó cuando el patrón <....> es más de una línea. –
También dará salida a contenidos de elementos tales como
en ubuntu/debian html2text es una buena opción. http://linux.die.net/man/1/html2text
en OSX puede utilizar la herramienta de línea de comandos llamada textutil para convertir por lotes archivos HTML a formato TXT:
textutil -convert txt *.html
[¿Qué has intentado] (http://mattgemmell.com/2008/12/ 08/what-have-you-tried /)? – ghoti
Es probable que no puedas hacerlo solo con "comandos bash", probablemente necesites al menos 'sed' o' awk'. No digo que no sea posible hacerlo simplemente con bash builtins, pero ciertamente no es factible. – lanzz