从shell杀死HTML节点

需要一个解决方案从多个HTML文件中杀死像

foobar

和

这样的节点

我想把一个没有菜单和页脚的站点转储到磁盘上。理想情况下，我将使用基本的unix工具（如sed）完成此任务。因为它不是XML，所以我不能使用

xmlstarlet

---

任何人都可以建议食谱，这样我就可以理想地让一个脚本运行

kill-node.sh'div class=“toplinks”*.html来删减我不想要的部分。谢谢，sed基于正则表达式。用正则表达式解析html是一个在这里反复出现的主题，请参见e.g或甚至更好

这就是说，如果html页面是以类似的方式编写的，那么您可能仍然能够构造一个执行此任务的regexp，但是要准备好，使用regexp构建一个在所有情况下都能工作的完整解决方案是不可能的（是的，理论上确实是不可能的）。
为了让您讨厌regex的人发疯，请尝试以下尺寸：

sed”：a；$！N、 美元！文学士；s/B/-B/g；s/A/BB/g；s//A/g；：Bs/[^A]*A/；结核病；s/BB/A/g；s/-B/B/g'foo.html

foo.html
为：

<header>
keep me
<foo>gtg</foo>
</header>
<foo>
delete me</foo>
<foo>gtg</foo>
<foo>gtg</foo>


留着我
得走了
删除我
得走了
得走了

否则，有人可以执行cmdline。谢谢x
在我的例子中，匹配开始和结束标记应该很简单。尽管如此，如果你能推荐一个更明智的命令行工具，我洗耳恭听@亨德利不能坚持，太晚了！HTML和regex会引发一些本能反应，所以您可能想提供更多信息。这是跨多种文件的长期解决方案，还是跨有限的一组文件的一次性交易？目标节点在文件中的格式化方式是否有很多差异，或者它们是否相同？如果它们相同，您能否更具体地说明它们在文件中的布局方式？我们可以先用[X]HTML规范化程序修改整个文件吗？还是严格限制删除目标节点？一次成功。几乎一模一样。我希望我知道如何从*.html中删除相同的30行文本块。：）[十] HTML规范化程序。。。你是说整洁吗？我不喜欢tidy，因为它不支持HTML5，它需要至少半个小时的切换才能输出正常的东西。