44

私はLinuxの初心者です。HTMLページをテキストファイルに変換する方法を教えてください。テキストファイルは、Webページから画像とリンクを削除します。htmlからテキストへの変換ツールではなくbashコマンドのみを使用したい。例として、最初のページのグーグル検索結果を「コンピューター」に変換したいと思います。

ありがとうございました

4

11 に答える 11

46

最も簡単な方法は、このようなダンプを使用することです（つまり、表示可能なHTMLのテキストバージョンです）。

リモートファイル：

lynx --dump www.google.com > file.txt
links -dump www.google.com

ローカルファイル：

lynx --dump ./1.html > file.txt
links -dump ./1.htm

文字セットをutf8に変換する場合（を参照）：

lynx -dump -display_charset UTF-8 ./1.htm
links -dump -codepage UTF-8 ./1.htm
于 2012-09-14T10:57:53.160 に答える
23

コマンドラインにhtml2text.pyがあります。

使用法：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
于 2012-09-14T10:41:22.300 に答える
21

OSXでは、textutilというコマンドラインツールを使用して、htmlファイルをtxt形式にバッチ変換できます。

textutil -convert txt *.html
于 2015-09-17T01:24:33.310 に答える
9

ubuntu/debianhtml2textでは良い選択です。http://linux.die.net/man/1/html2text

于 2015-06-17T02:20:27.890 に答える
8

nodejsを取得して、モジュールhtml-to-textをグローバルにインストールできます。

npm install -g html-to-text

次に、次のように使用します。

html-to-text < stuff.html > stuff.txt
于 2014-02-17T01:21:33.500 に答える
6

sedを使用する

sed -e 's/<[^>]*>//g' foo.html
于 2012-09-14T11:01:28.387 に答える
3

リンクはこれを行うための最も一般的なツールだと思います。マンリンクを確認し、プレーンテキストなどを検索します。-ダンプは私の推測です、それも検索してください。このソフトウェアには、ほとんどのディストリビューションが付属しています。

于 2012-09-14T10:51:17.470 に答える
3

私はpython-boilerpipeを使用しましたが、これまでのところ非常にうまく機能しています...

于 2012-09-15T00:00:59.887 に答える
1

ローカルのhtmおよびhtmlファイルのバッチモード、lynx必須

#!/bin/sh
# h2t, convert all htm and html files of a directory to text 

for file in `ls *.htm`
do
new=`basename $file htm`
lynx -dump $file > ${new}txt 
done
#####
for file in `ls *.html`
do
new=`basename $file html`
lynx -dump $file > ${new}txt 
done
于 2014-09-02T23:46:33.007 に答える
0

HTMLページをテキストファイルに再帰的に変換するBashスクリプト。httpd-manualに適用されます。grep -Rhi'LoadModule ssl' / usr / share / httpd / manual_dump-A10が便利に機能するようにします。

#!/bin/sh
# Adapted from ewwink, recursive html to txt dump
# Made to kind of recursively (4 levels) dump the /usr/share/httpd manual to a dump httpd manual directory into a txt dump including dir
# put this script in /usr/share/httpd for it to work (after installing httpd-manual rpm)

for file in ./manual/*{,/*,/*/*,/*/*/*}.html
do
new=`basename $file .html`
mkdir -p ./manual_dump/${new}
lynx --dump $file > ./manual_dump/${new}.txt
done
于 2019-07-03T15:03:04.103 に答える
0

pandocツールはHTMLを（他のいくつかのマークアップ形式の中で）プレーンテキストに変換できます。ここでの回答では、他のいくつかのツールと比較して、テキストの形式を好みます。ブラウザのように、すべてをパックするのではなく、多くの空白を使用します。一緒にhtml2textそうします。いくつかのツールを比較してから、1つを選択することをお勧めします。UbuntuまたはDebianにインストールするには：

sudo apt install pandoc

ファイルからの読み取りと書き込みのオプションがありますが、変換元と変換先の形式を指定するだけでよいパイプモードで使用するのが最も簡単です。

curl URL | pandoc -f html -t plain > output.txt
于 2022-01-17T22:50:24.113 に答える