删除所有html标记的sed命令行的分解

我已经找到了使用sed删除html标记的方法。我偶然发现了这条线索：

用户“无用代码”建议如下：

sed 's/<[^>]\+>//g'

sed的/]\+>//g'

由于我是堆栈溢出的新手，因此还不允许对答案发表评论，所以我创建此线程是为了让您了解上面命令行的详细情况。 我知道“s”和“g”在代码中的作用，但是中间部分，特别是

]\++>

让我有点困惑

---

提前谢谢

[xyz]

表示任何字符x、y或z。

[^xyz]

相反，即x、y或z以外的任何字符。
所以

[^>]

表示除

以外的任何字符

正则表达式中后跟

+

的任何内容都表示“一个或多个”。所以

[^>]+

表示一个或多个非

字符

最后，

]+>

表示

后跟一个或多个非代码字符>，后跟

。所以基本上是

所有这些都放在

/

字符之间，以标记正则表达式搜索模式的开始和结束。第二个和第三个

/

之间的部分是任何找到的匹配项都要替换的部分。在本例中，这是一个空字符串，因为您只想删除标记

+

前面的反斜杠是因为默认情况下

sed

使用有限版本的正则表达式，您也可以通过使用

sed-E

来克服这一问题

因此

sed-E的//]+>//g'

（注意没有反斜杠）也可以工作

---

注意：您可能想知道是否也必须删除

。严格地说，这不是一个有效的HTML标记，但是如果它仍然出现，那么您可能也希望去掉它。因此，您可以使用

+

而不是

*

，它表示前面的零个或多个字符（而不是

+

表示一个或多个字符）。

它是“

后面跟一个或多个字符，而不是code>”。

+

量词被转义；这是对基本正则表达式的GNU扩展，它没有

+

量词，只有扩展正则表达式有量词。GNU BRE允许

\+

表达相同的内容。打破它；我将

\+

替换为

+

，因为regex101不支持GNU BRE风格。请注意，由于

sed

逐行工作，如果HTML标记跨多行断开，这将不起作用。使用正则表达式解析或以其他方式处理HTML最多只能在非常有限的情况下工作。