使用 CMD 或 JavaScript 批量查找和删除部分 HTML 文件

Question

假设我在文件夹中有一组文本 .html 文件。

我需要处理每个文件并删除特定 HTML 标记的内容，包括标记本身。文件处理后必须重写。

例子：

1. 删除所有<script> 块
2. 删除所有 <div class="test-class"> 块，包括内部内容

sed -i -e 's/REGEX//g' *.html 等正则表达式工具不适合 HTML 处理。因此，我正在寻找专注于 HTML 解析的解决方案，例如基于 XPATH 的 //script、//div[@class="test-class"]。

最好的方法是什么？

Answer 1

使用 xmlstarlet 编辑当前目录中的所有 .html 文件：

xmlstarlet edit --inplace --omit-decl --delete '//script' --delete '//div[@class="test-class"]' *.html

---

见：xmlstarlet edit --help

这可能有助于处理损坏的 html 文件：

xmlstarlet format --recover --html file.html |\
  xmlstarlet edit --omit-decl --delete '//script' --delete '//div[@class="test-class"]' > new.html