如何从html文件中删除所有脚本标签答案

【问题标题】：How to remove all script tags from html file如何从html文件中删除所有脚本标签
【发布时间】：2019-03-04 16:32:44
【问题描述】：

如何使用 sed 删除 html 文件中的所有脚本标签？

我尝试了这个但不起作用，下面的命令不会从test1.html中删除任何脚本标签。

$ sed -e 's/<script[.]+<\/script>//g' test1.html > test1_output.html

我的目标是从 test1.html 到 test1_output.html

test1.html：

<!DOCTYPE html>
<html>
    <head>
        <meta charset="UTF-8">
    </head>
    <body>
        <h1>My Website</h1>

        <div class="row">
            some text
        </div>

        <script  type="text/javascript"> utmx( 'url', 'A/B' );</script>

        <script src="ga_exp.js" type="text/javascript" charset="utf-8"></script>    
        <script type="text/javascript">
            window.exp_version = 'control';
        </script>        
    </body>
</html>

test1_output.html：

<!DOCTYPE html>
<html>
    <head>
        <meta charset="UTF-8">
    </head>
    <body>
        <h1>My Website</h1>

        <div class="row">
            some text
        </div>

    </body>
</html>

【问题讨论】：

“不起作用”。你应该与大家分享它是如何不起作用的。结果或错误是什么？此外，可能相关，如果不是重复的话：stackoverflow.com/q/19878056/1531971（那里的信息也可以扩展到这种情况。）
@jdv 命令“不起作用”原因什么也没做（我不知道为什么），出现任何错误。
但是我们怎么会知道呢？ “不起作用”可能是错误的结果，零结果，紫色的猴子从你的 USB 端口飞出，谁知道呢？我们的想法是告诉我们您想做什么，展示您的尝试并分享结果。
tks @jdv 谢谢，希望问题现在写得更好
我永远不会放弃分享这个的机会：stackoverflow.com/a/1732454/1531971

标签： html bash sed

【解决方案1】：

如果我正确理解了您的问题，并且您想删除 <script></script> 中的所有内容，我认为您必须将 sed 分成几部分（您可以使用 ; 单行）：

使用：

sed 's/<script>.*<\/script>//g;/<script>/,/<\/script>/{/<script>/!{/<\/script>/!d}};s/<script>.*//g;s/.*<\/script>//g'

第一段 (s/<script>.*<\/script>//g) 在一行中对他们有效；

第二部分 (/<script>/,/<\/script>/{/<script>/!{/<\/script>/!d}}) 几乎是对@akingokay 答案的引用，只是我排除了出现的行（以防他们在之前或之后有一些东西）。很好的解释在这里Using sed to delete all lines between two matching patterns;

最后两个（s/<script>.*//g 和s/.*<\/script>//g）最终处理了开始和不结束或不开始和结束的行。

现在，如果您有一个 index.html，其中包含：

<html>
  <body>
        foo
        <script> console.log("bar) </script>
  <div id="something"></div>
        <script>
                // Multiple Lines script
                // Blah blah
        </script>
        foo <script> //Some
        console.log("script")</script> bar
  </body>
</html>

然后你运行这个 sed 命令，你会得到：

cat index.html | sed 's/<script>.*<\/script>//g;/<script>/,/<\/script>/{/<script>/!{/<\/script>/!d}};s/<script>.*//g;s/.*<\/script>//g'
<html>
  <body>
    foo


        <div id="something"></div>




    foo 
 bar
  </body>

</html>

最后你会有很多空格，但代码应该能按预期工作。当然，您也可以使用 sed 轻松删除它们。

希望对你有帮助。

PS：我认为@l0b0 是对的，但这不是正确的工具。

【讨论】：

works tks ...如果脚本标签具有属性，则必须删除尖括号的关闭，对吗？ $ 猫 test1.html | sed 's///g;/
没错，我没有考虑过这种情况，但就是这么简单。问候

【解决方案2】：

sed is the wrong tool for this:

不要尝试使用 sed、awk、grep 等（这会导致不希望的结果）。在许多情况下，最好的选择是使用支持 XML 数据的语言编写。如果您必须使用 shell 脚本，可以使用一些特定于 HTML 和 XML 的工具来为您解析这些文件。

查看pup 或xsltproc 以处理shell 上的任何HTML。

【讨论】：

如果 pup 是正确的工具。你能用 pup 回答这个问题吗？
不，因为我对此了解不够。
我同意 sed 不是最好的工具……但是在阅读了pup 的 github 页面以供使用之后，它似乎更专注于选择元素。没有看到为 removing 元素列出的任何内容或运行时--help。可能是一些用例，其中选择特定元素就足够了，但还有其他需要/需要实际删除的用例......无论如何，我已经可以使用xmllint --html --xpath <xpath> 进行一些选择。不幸的是，pup 确实 not 似乎是 jq 或 xmlstarlet 的 html 等价物。很高兴被证明是错误的，但我不这么认为。
^ 我认为部分问题在于 html 更难编写工具：有 html marlup、css、js/json、CDATA 块等来处理解析，有多个差异标准（如旧 html、htlm4、xhtml 等）来处理验证，说实话：大多数网站甚至根本不尝试编写验证代码。即使有人写了一些东西，只是将 html 标签作为 xml 处理，而不会阻塞内联 CDATA、javascript 和 css 并且可能只是将它们视为文本元素......这将是一项艰巨的任务。
^ 一些我想到但尚未探索的其他选项：使用 firefox + selenium 脚本加载本地文件进行修改并保存，提到的选项之一here（可能是其中之一these?)，或者选择带有xmllint 的部分，然后从头开始重建整个东西......更糟糕的情况，如果没有好的工具，我认为perl -0777 -pe <regex> <file> 至少会稍微 i> 由于多行匹配和更灵活的正则表达式，优于 sed

【解决方案3】：

由于 l0b0 已经 mentioned，因此使用 sed 处理 HTML 是个坏主意。
除了pup和xlstproc还有一个工具，叫xidel，你可以看看。

$ xidel -s test1.html -e 'x:replace-nodes(//body/script,())' --output-format=html

另见this online xidelcgi demo。

【讨论】：

【解决方案4】：

这将起作用：

sed 's/<script>//;s/<\/script>//' test1.html

此表达式在文本中搜索<script> 和</script> 子字符串并将它们替换为空，因此将其删除:)

【讨论】：

s/// 什么都不做，有什么意义呢？与您的解释有关，如果脚本标签具有属性怎么办？？？
@oguzismail 不，s/// 做了一些事情：它用任何内容替换与前一个正则表达式匹配的缓冲区内容。由于没有以前的正则表达式，这是一个错误。原来的内容是s/<script>//，因为没有正确引用而被删除。
@xhienne 不知道，谢谢。答案仍然是错误的
@oguzismail 其实并没有错，我以为 Simone 只想删除标签而不是其中的属性。

【解决方案5】：

您可以在线测试此类实用程序，例如在 http://rextester.com/l/bash_online_compiler。

echo 'abc <script> def </script> xyz' | sed "/<script/,/<\/script>/d"

输出为 = abc 和 xyz

【讨论】：

只有在 <script> 和 </script> 位于不同的行时才能正常工作，这与您的示例输入不同；它还假设这些线上没有其他内容。您的示例的输出实际上是空字符串。

【解决方案6】：

我发现@JorgeValenti 的答案无法识别具有 src 属性的脚本标签。这个版本的咒语解决了这个问题：

sed -i 's/<script.*<\/script>//g;/<script/,/<\/script>/{/<script/!{/<\/script>/!d}};s/<script.*//g;s/.*<\/script>//g'

【讨论】：