在我的程序中，我下载了一个带有 wget 的网页，我想提取它，只有一个文本字符串。
我应该怎么做（如果它是正确的）从文件中清除 html 标签，因为只有网页上的文本？
我从来没有在 C 中使用过正则表达式，我不知道这是否是解决这个问题的正确方法。你能告诉我我可以使用的其他替代品或图书馆吗？或者如果我应该使用正则表达式，你能帮我在 C 中做一个这样的替换标签吗？
sed -e 's/<[^>]\+>/ /g' file.html
谢谢
问问题
623 次
2 回答
4
正则表达式不适合解析 HTML。只要您有 XHTML，就可以保证它是有效的 XML，因此您可以使用XML 解析器库来解析它。
于 2013-04-05T18:31:22.513 回答
0
另一个答案指向最相关的一点，即您无法使用正则表达式解析 HTML ...
这指出您的 sed 脚本也不起作用......
<a href="http://localhost/" title="Click < link >">A link</a>
以上是有效的 XML，更不用说快速和松散的 HTML，因为关闭>在 XML 中是有效的未转义...您只需要转义&并且...这也是转义的<最佳实践>
于 2013-04-05T22:25:55.747 回答