SED Enlever toutes les balises de HTML Sauf les liens

Question

Je voudrais enlever toutes les étiquettes de HTML mais laisser
E.G. <a href="http://www.domain.com/">Link Title</a>

Jusqu'à présent cela fonctionne pour moi sauf qu'il supprime la partie </a>.

sed -e 's/<[^">]*>//g' 

Je voudrais savoir s'il existe une meilleure façon de procéder.

Answer 1

Fondamentalement ce que vous avez écrit supprime tous les blocs de <Stuff> où Stuff n'a pas de guillemets. Si, par exemple, il y avait un peu de html parfaitement valable comme:

<a href='http://www.domain.com/'>Link Title</a> 

ou même un peu bizarre comme html:

<a href=http://www.domain.com/>Link Title</a> 

ça ne marcherait pas pour vous.

Les expressions régulières sont considérées comme une manière notoirement mauvaise de traiter le code HTML, sauf dans les cas où vous connaissez exactement la gamme complète des variations que vous pouvez éventuellement traiter.

Donc, lisez d'abord this viewpoint.

Je pourrais suggérer quelque chose comme:

sed -e 's/<[^a>/!][^ >][^>]*>//g;s/<\/[^a>][^>]*>//g'