[问题求助] [已解决]请问如何用 sed 从 html 中提取正文？

CrLf

拓者论坛的帖子为了防复制，在文本中掺杂了大量不可见的随机内容，现在我想用 sed 将帖子的源代码进行粗略处理转换成文本文档。
首先把一组 <> 之间的内容去掉，比如 123<br>abc 处理后为 123abc
再将行首的 .*> 和行尾的 <.* 分别去掉，比如 123>abc<456 的处理结果为 abc
帖子地址如下：
http://www.tuozhe8.com/thread-107762-1-1.html

现在要将这段代码（局部）

      <DIV class=pcb>
      <DIV class=t_fsz>
      <TABLE cellSpacing=0 cellPadding=0>
        <TBODY>
        <TR>
          <TD class=t_f id=postmessage_3305528>预算构成<FONT class=jammer>) X9 t5 
            D' P9 n. g0 R; q</FONT><BR>一份装潢预算表．至少要包含下列内容：<BR><SPAN 
            style="DISPLAY: none">$ q9 a; `; ~9 U4 n&nbsp;&nbsp;g</SPAN><FONT 
            class=jammer>) K&nbsp;&nbsp;e, \3 K2 P. 
            j</FONT><BR>(1)施工的项目及项目所在的部位，比如“顶”，要指明吊在什么部位。<BR><SPAN 
            style="DISPLAY: none">/ b' k1 [! m( @2 j6 }) |</SPAN><BR><SPAN 
            style="DISPLAY: none">. C, o/ l- U( Y. \4 R9 c4 {+ 
            l</SPAN>(2)施工项目的规模。如“吊顶”一共要吊多少面积。家庭装潢陷阱。<BR><SPAN 
            style="DISPLAY: none">9 F&amp; ~" P, m; R* I, G2 T</SPAN><BR><SPAN 
            style="DISPLAY: none">0 H0 B* n$ T3 
            i</SPAN>(3)施工项目所用的材制，其中包括主要材料和辅助材料如“吊顶”，用的主材可以是PVC塑料扣板，也可以是铝合金扣板，辅材则分别是木龙骨和金属吊架及其他五金件如螺丝、钢钉等等。<FONT 
            class=jammer>4 B* k3 q' m( F</FONT><BR><BR><SPAN 
            style="DISPLAY: none">( c! y; }1 g/ z- 
            ^</SPAN>(4)施工项目的人工单价和材料单价。如“吊顶”，PVC扣板吊顶每平方米人工指导价为20元，材料单价则视所选用的木材和PVC扣板的牌号而定。<BR><SPAN 
            style="DISPLAY: none">' K! M, B4 C# w6 S7 o</SPAN><BR><SPAN 
            style="DISPLAY: none">) t( u2 k; A$ }( 
            o</SPAN>但是消费者切不要以为在预算单里包含这些内容就万事大吉。其实这只是一个预算的框架，真正的陷阱就在这框架里头。<FONT 
            class=jammer>9 C: r$ M* n" Z3 i5 J</FONT><BR><FONT 
            class=jammer>&nbsp;&nbsp;A2 y" X/ x5 N9 d* |0 
            L</FONT><BR>在预算尚未开始时，预算员常常会不经意地问道：“请问先生(小姐)，您准备花多少钱装潢?”这可能是善意的，但也有一些就是在构筑陷阱。有的公司就是在了解到了客户的“预算”心理价位后，凄也要凑到这个数字，即使客户的实际工料并不到这个数字。更有甚者，采用“倒轧帐”的办法，制造一张“预算表”来蒙骗客户，而不是按实际的工作量来测定预算。<BR><SPAN 
            style="DISPLAY: none">+ [. f5 T&nbsp;&nbsp;F/ f( }</SPAN><FONT 
            class=jammer>1 ^# k. A: t' 
            j</FONT><BR>因此，对付这种“套底价”的陷阱，消费者最好的办-法是把自己的装潢设想告诉对方，然后就说：“请按这个要求造预算，价格高低我会控制的，请放心我的支付能力。”就是不把底交给对方，这样造出来的预算往往更容易控制。</TD></TR></TBODY></TABLE></DIV>
      <DIV class=cm id=comment_3305528></DIV>
复制代码

处理成这样

预算构成
 一份装潢预算表．至少要包含下列内容：

 (1)施工的项目及项目所在的部位，比如“顶”，要指明吊在什么部位。

 (2)施工项目的规模。如“吊顶”一共要吊多少面积。家庭装潢陷阱。

(3)施工项目所用的材制，其中包括主要材料和辅助材料如“吊顶”，用的主材可以是PVC塑料扣板，也可以是铝合金扣板，辅材则分别是木龙骨和金属吊架及其他五金件如螺丝、钢钉等等。
 
(4)施工项目的人工单价和材料单价。如“吊顶”，PVC扣板吊顶每平方米人工指导价为20元，材料单价则视所选用的木材和PVC扣板的牌号而定。

 但是消费者切不要以为在预算单里包含这些内容就万事大吉。其实这只是一个预算的框架，真正的陷阱就在这框架里头。
 
在预算尚未开始时，预算员常常会不经意地问道：“请问先生(小姐)，您准备花多少钱装潢?”这可能是善意的，但也有一些就是在构筑陷阱。有的公司就是在了解到了客户的“预算”心理价位后，凄也要凑到这个数字，即使客户的实际工料并不到这个数字。更有甚者，采用“倒轧帐”的办法，制造一张“预算表”来蒙骗客户，而不是按实际的工作量来测定预算。

 因此，对付这种“套底价”的陷阱，消费者最好的办-法是把自己的装潢设想告诉对方，然后就说：“请按这个要求造预算，价格高低我会控制的，请放心我的支付能力。”就是不把底交给对方，这样造出来的预算往往更容易控制。
复制代码

但是不知道为什么我写的总报错呢？

sed "s/\<[^>]*\>//g,s/.*\>//g,s/\<.*//g" %1 >1.txt
复制代码

另外顺便咨询一下，只打印从第一个含有 @ 的行到该行之后含有 # 的第一行该如何写呢？
比如

123
@
【abc】
#
456
@
def
#
复制代码

这里只想输出第一对 @ 和 # 之间的 【abc】，但是不知道用 sed 该如何排除 def 呢？

CrLf

回复 2# broly


    3Q挖瑞嘛去，原来是这样，也许我是 set /a 用多了...
    q 函数用得好，学习了！
   经过提示，弄了半天终于搞出来很丑陋的一行，基本满足需求，搞定。

sed -n "/<TD class=t_f/,/<\/DIV>/H;/<DIV class=cm/{g;s/[^>]*>//;s/\n//g;s/<BR>/\\n/g;s/<[^\>]*>[^<]*<\/[^>]*>//g;s/\\n/\n/g;s/<\/DIV>//g;p;q}" %1 >"%~dpnx1.txt"
复制代码

Batcher

可以考虑用HtoX32c配合sed

broly

zm，第一次看你提问啊。

sed "s/\<[^>]*\>//g,s/.*\>//g,s/\<.*//g" %1 >1.txt
复制代码

这个代码中间不是用 ,  隔开语句的，而是用  ；

sed "s/\<[^>]*\>//g;s/.*\>//g;s/\<.*//g" %1 >1.txt
复制代码

这个文本没什么规律，用sed处理起来恐怕有点困难。为什么你不把那个文章复制下来，这样也只是处理乱码而已，用sed就容易多了。
写了一个没什么技术含量的：

sed -n  "H;${g;s/\n//g;s/<BR>/\n/g;p;}" test.txt | sed -n "{s/<SP[^<]*<\/SPAN>//g;s/<FO[^<]*<\/FONT>//g;s/<[^>]*>//g;p;}"
复制代码

sed -n "/@/{p;:l;n;/#/{p;q;};p;bl}" test.txt
复制代码