BASH: efffacer balise <script> avec sed?
Résolu
Bonjour,
Je souhaite faire un script SH qui puisse filtré les balises HTML et n'en garder que le texte brute...
Jusque là j'ai plus ou moins réussi et ce qui me pause problème aujourd'hui, c'est les balises html du genre
En effet je sais enlever tout ce qui se trouve entre les chevrons <*> mais dans les cas particuliers comme celui-ci j'aimerais retirer également ce qui se trouve entre les balises <script> et </script> (pareil pour les commentaires par la même occasion).
J'ai essayé avec le sed en vain... peut-être que je n'utilise pas la bonne syntax. Google ne m'a pas aidé sur ce coup et je compte sur votre aide.
Merci d'avance pour vos réponses :)
Je souhaite faire un script SH qui puisse filtré les balises HTML et n'en garder que le texte brute...
Jusque là j'ai plus ou moins réussi et ce qui me pause problème aujourd'hui, c'est les balises html du genre
<script> code </script>
En effet je sais enlever tout ce qui se trouve entre les chevrons <*> mais dans les cas particuliers comme celui-ci j'aimerais retirer également ce qui se trouve entre les balises <script> et </script> (pareil pour les commentaires par la même occasion).
J'ai essayé avec le sed en vain... peut-être que je n'utilise pas la bonne syntax. Google ne m'a pas aidé sur ce coup et je compte sur votre aide.
Merci d'avance pour vos réponses :)
9 réponses
-
ContributeurSalut,
$ cat plop <script> code </script> <bla>bli</bla> <script> code </script> <blabla>blibli</blabla> $ sed 's#<script>.*</script>##;s#<[^>]*>##g' plop bli blibli $
;-)) -
Merci de ta réponse rapide malheuresement comme celà ça ne marche pas : /
txt_brute=$(echo $HTML | sed 's|<[^>]*>||g' | sed 's|{[^>]*}||g' | sed 's|[[^>]*]||g' | sed 's#<script>.*</script>##;s#<[^>]*>##g') -
Biensur:
HTML=$(cat HTML/page.html | tr "\n" " " | tr "\r" " ")
Je met tout en ligne pour que le sed le traite correctement. -
Le lien HTML est rentré par l'utilisateur dans ce cas la c'est le code HTML de la page d'accueil de google.
-
Oui seulement le texte brute qui est affiché sur la page sans aucunes balises.
-
Oui je connais w3m seulement je ne suis pas sûr qu'elle soit installé sur les versions de l'iut car enfaite c'est un projet que nous devons faire par lequel nous ne pouvons utiliser que les commandes de base de linux
-
-
-
ContributeurEssaie ça :
$ wget -q -O- http://www.google.fr | iconv -f ISO-8859-1 -t UTF-8 | sed 's#</*script>\|</*style[^>]*>#\n&\n#g' | sed '\#<script>#,\#</script>#d' | sed '\#<style[^>]*>#,\#</style>#d' | sed 's#<[^>]*>##g' Google Web Images Vidéos Maps Actualités Shopping Gmail Plus »iGoogle | Historique Web | Paramètres | ConnexionFrance Recherche avancéeOutils linguistiquesSolutions publicitairesSolutions d'entrepriseÀ propos de GoogleGoogle.com in English© 2011 - Confidentialité $
:-))
-
-
Whaou.. Je n'en espérais pas tant :o en effet cette solution semble être plus efficace^^' Il y a certaines suites de caractere tel que les
 
qui passe encore mais je vais chercher le moyen de les éliminer si je trouve >.>
Merci beaucoup de ton aide :)) -
hello
et avec GET$ GET -o text https://www.google.fr/?gws_rd=ssl | iconv -f ISO-8859-1 -t UTF-8 Web Images Vidéos Maps Actualités Shopping Gmail Plus »iGoogle | Historique Web | Paramètres | Connexion France Recherche avancéeOutils linguistiques Solutions d'entrepriseÀ propos de GoogleGoogle.com in English © 2011 - Confidentialité $
-
ContributeurSalut,
Effectivement ;-))
Ce qui correspondrait davantage à sa demande :
c'est un projet que nous devons faire par lequel nous ne pouvons utiliser que les commandes de base de linux
Vu que l'emploi de w3m ne semblait pas convenir ;-( -
-
-
-
Merci beaucoup encore ;) , j'ai ré-arangé tout ça après un bug et ca marche.
Problème résolu :)
