[bash]supprimer balises html

Recherche :

Mot : Pseudo : Filtrer
Bas de page
Auteur	Sujet : [bash]supprimer balises html

tchouvince

Voila, tout est dans le titre:

J'ai un fichier text dans lequel je voudrais supprimer toutes les balises html et ce qu'il y' a dans ces balises.

Merci beaucoup d'avance

Message cité 2 fois

Publicité

tchouvince

C'est pas si con que ça...

Le probleme c'est que mon fichier fait 20Mo et que j'ai un pc pourri

Merci quand meme

electro86

Tu peux utiliser l'outils "sed" par exemple qui va lire toutes tes ligne de ton fichiers une par une, et en utilisant une expression régulière tu pourra supprimer ta balise.
Mais cela va te poser 2 problème:
-il va te faloir spécifier tout les type de balise html qui tu veux enlever (ça dans tout les cas tu risque d'être obliger de le faire, a moins d'avoir une liste des balises html qui existe)
-ça ne te suprimera que les balise et pas ce qui se trouve entre le balise d'ouveture et celle de fermeture

wedgeant

Da penguin inside

Tu peux utiliser perl sinon, il propose des modules qui permettent de parser du html et de te le retranscrire en texte pur. J'ai jamais utilisé, mais je sais que ça existe

---------------
Wedge#2487 @HS -#- PW: +∞ -#- Khaz-Modan/Boltiz @WoW

Xavier_OM

Monarchiste régicide (fr quoi)

tchouvince a écrit :

Voila, tout est dans le titre:

J'ai un fichier text dans lequel je voudrais supprimer toutes les balises html et ce qu'il y' a dans ces balises.

Merci beaucoup d'avance

Tu es sûr que tu veux supprimer ce qu'il y a dedans ? Ou garder ce qu'il y a dedans (bref "débaliser" ) ?
Dans le doute voici une solution pour tout virer, mais plus fine que de zapper <html>blabla</html> parce que je pense (à tort ?) que tu veux débaliser... Bref je prépare le terrain.

vim fichier.txt

on va chercher tout ce qui est de la forme <toto>blabla</toto> et le virer

dans vim ca revient à taper

:%s;truc;remplaçant;gc

(gc pour global (partout) et confirmation)

bref nous ca sera :

:%s;truc;;gc

vu qu'on veut supprimer

en détail ce qu'on cherche c'est (en rouge la version regexp) :
<
<
suivi de :un nom de balise, n'importe quoi sauf > en fait
[^>]*
suivi de : >
>
suivi de : n'importe quoi sauf <
[^<]*
suivi de : <
<
suivi de : /
/
suivi de : le même nom que la première balise (attention si elle avait des attributs genre <toto id="xxx"> faut que toto)
un peu subtil, voire plus bas
suivi de : >
>

*Plus bas c'est ici
en fait la première balise on va considérer que c'est non pas comme écrit plus haut :
<[^>]*>
mais plutôt :
<
<
suivi de : n'importe quoi qui n'est pas un espace (comme ca dans <toto id="xxx"> on capte le que le toto)
[^ ]*
suivi de : n'importe quoi qui n'est pas >
[^>]*
suivi de : >
>
Du coup on peut mettre des parenthèses autour du morceau qui choppe le toto, pour le sauvegarder et s'en servir au moment où on cherchera la balise fermante.

Donc à la louche je ferai un :

:%s;<$[^ ]*$[^>]*>[^<]*</\1>;;gc

\1 rappelant le truc choppé par ce qui est entre parenthèse

A tester

Message édité par Xavier_OM le 17-06-2007 à 00:14:08

---------------
Il y a autant d'atomes d'oxygène dans une molécule d'eau que d'étoiles dans le système solaire.

franceso

Pour toutes les solutions à base de scripts, il faut faire vraiment attention à ce que le HTML présent dans ton fichier soit bien construit. Sinon, tu risques d'obtenir n'importe quoi, par exemple si des balises ouvertes ne sont pas fermées, ou en cas de mauvais "nesting" des balises (désolé je sais pas comment on dit en français), etc.

Message cité 2 fois

---------------
TriScale innov

Xavier_OM

Monarchiste régicide (fr quoi)

franceso a écrit :

Ah oué t'as raison, en fait si mon truc marche ca ne sera que pour du xml (xhtml ca passe)
Ou alors on cherche juste <html>.*</html> et on delete

Message édité par Xavier_OM le 10-05-2007 à 12:13:24

---------------
Il y a autant d'atomes d'oxygène dans une molécule d'eau que d'étoiles dans le système solaire.

wedgeant

Da penguin inside

D'façon, le html kipu et qui est mal formatté, ça mérite pas d'être nettoyé

---------------
Wedge#2487 @HS -#- PW: +∞ -#- Khaz-Modan/Boltiz @WoW

Jeddo

A nice place to live

franceso a écrit :

Pour toutes les solutions à base de scripts, il faut faire vraiment attention à ce que le HTML présent dans ton fichier soit bien construit. Sinon, tu risques d'obtenir n'importe quoi, par exemple si des balises ouvertes ne sont pas fermées, ou en cas de mauvais "nesting" des balises (désolé je sais pas comment on dit en français), etc.

Imbrication

Message cité 1 fois

---------------
FREE DATOUNE

franceso

Jeddo a écrit :

Imbrication

thanks :jap:

---------------
TriScale innov

Publicité

electro86

Je suis d'accord avec Xavier_OM pour sa dans vim seulement ça ne va pas marcher avec les balises unique genre " " ou <img ... /> ??
Ou est ce que je dit une connerie?

Message cité 1 fois

Xavier_OM

Monarchiste régicide (fr quoi)

electro86 a écrit :

Je suis d'accord avec Xavier_OM pour sa dans vim seulement ça ne va pas marcher avec les balises unique genre " " ou <img ... /> ??
Ou est ce que je dit une connerie?

euh non en effet, les balises autofermantes vont rester faudra les traiter aussi
et pis ya aussi les balises genre <input>, pas forcément fermées
et pis de tout façon en html (le vrai le moche ) on peut faire de la merde genre toto [:ruisseau de larmes]

Bref parser du html c'est bon pour la team mozilla

---------------
Il y a autant d'atomes d'oxygène dans une molécule d'eau que d'étoiles dans le système solaire.

electro86

[quote=Xavier_OM]
Bref parser du html c'est bon pour la team mozilla :[/quote]

J'approuve !!!

franceso

+1

Le seul salut possible, c'est d'utiliser du XHTML et un parser de XML.

Sinon, je pense que la seule solution est d'utiliser l'aide d'un bon éditeur de texte pour repérer les balises cherchées, et de tout contrôler à la main.

---------------
TriScale innov

electro86

Oui mais si il sagit d'un fichier de 20 mo... ça doit faire un paquet de ligne donc je ne sais pas si à la main ca va pas lui prendre 10 ans!

_p1c0_

+1, 20Mo de texte, ca fait mal aux yeux :cry:

---------------
-_- http://www.scienceshopping.com -_-

neriki

oenologue

Pour transformer du html pourri en xhtml, il y a tidy.

---------------
C'est pas bon, Neriki, tu recommences à glander, là. :o

M300A

Code :

#!/usr/bin/php
<?php
$lines = file('/tmp/index.html');
foreach ($lines as $line) {
echo strip_tags($line);
echo "\n";
}
?>

Un début peut être.

Mjules

Modérateur
Parle dans le vide

lynx -dump t'interprétera le hachetemeuleu et écrira du texte, à voir.

Message cité 1 fois

---------------
Celui qui pose une question est idiot 5 minutes. Celui qui n'en pose pas le reste toute sa vie. | Membre du grand complot pharmaceutico-médico-scientifico-judéo-maçonnique.

l0ky

tchouvince a écrit :

J'ai un fichier text dans lequel je voudrais supprimer toutes les balises html et ce qu'il y' a dans ces balises.

Mjules a écrit :

lynx -dump t'interprétera le hachetemeuleu et écrira du texte, à voir.

C'est ce que j'avais écris puis effacer puisqu'en fait ca correspond pas à la demande.

Message édité par l0ky le 11-05-2007 à 13:15:29

Drakho

Si c'est pour les balises _et_ ce qu'il y a dedans...

mv tonfichier /dev/null
touch tonfichier

mais bon... j'vois pas l'utilité

Pour supprimer uniquement les balises, pourquoi ne pas simplement supprimer les caractères situés entre un < et un > !? (sauf s'il y a de ça dans le texte, hors balises)

M300A

Je vois pas ce que vous avez contre mon bout de php. C'est surement bcp plus efficace qu'une regex.

Message édité par M300A le 14-05-2007 à 10:48:14

Nouveau_venu

C'est juste que ça ne fait pas ce qui est demandé et n'est pas facilement transformable en quelque chose qui fait ce qui est demandé.

Mais sinon, on n'a rien contre ton script et il est assez efficace pour faire ce qu'il fait.

Publicité

FORUM HardWare.fr

Linux et OS Alternatifs

Codes et scripts

[bash]supprimer balises html

Sujets relatifs
Comment supprimer les sauts de lignes	[BASH] Extraire une URL d'un fichier (probleme avec grep)
(BASH) Ajouter des droits a un utilisateur	BASH réponse à une question
BASH remplacer une chaine par une autre en suivant un motif.	Supprimer les connexions ouvertes?
remplacement variable script bash	supprimer tous les user_xattr d'un FS
Supprimer Windows Vista	[kubuntu] supprimer les anciens noyaux après MAJ
Plus de sujets relatifs à : [bash]supprimer balises html

Page générée en 0.102 secondes