sed我正在寻找一种类似于or 的从命令行编辑 HTML 文件的方法awk，但使用类似于jqor 的路径表达式小狗。特别是，换行符、空格和其他格式细节应该不重要。
所以我想说“删除它后面的<body>第一个<p>标签之间的所有内容，并将其替换为此文本”或“将每个<b>...替换</b>为<p font-style=italic>... </p>，将文本保留在中间”。文件的其余部分应保持不变。
一个用于 Perl、Python 或 Haskell 的库也可以，我可以用几行代码轻松完成此操作（但我更喜欢命令行工具）。
背景：我想用它来清理大量带有尴尬格式、不良语言标签等的 epub 文件。
答案1
我不知道有什么可以满足你的要求，而且构建一些东西需要很多工作。对于初学者来说，你必须构建一个编译器，使用yacc或类似的东西，解析您的命令，然后将它们传递给其他代码以实际执行转换。
XLST可能有用，但我对此表示怀疑。它位于 XML 之上，而 HTML 是一种太不规则的标记语言，无法适应严格的语法：特别是如果您开始在其之上转储 CSS。
我会选择珀尔 HTML::解析器图书馆（或者也许是它的朋友之一）超文本标记语言模块树（如果他们有专门的工具来完成您的常见任务）。它将 HTML 文档解析为一个小的内部数据库树，然后您可以对其进行操作并将其转储出来。我一直用它来做一些事情，例如：摆脱所有内嵌框架标签和内容；摆脱全部HTML 标签，但以纯文本形式打印出接近预期格式的内容；而且真的很复杂屏幕刮刀引擎。
它使用起来非常简单，可以为您完成所有繁重的工作。请参阅CPAN页面的示例。该发行版还附带了更多示例来执行诸如删除某些标签/元素和/或属性之类的操作。
记得在石器时代珀尔统治了网络，并且主要关注于使用 HTML，因此 Perl Monks 几十年来一直在磨练他们的 HTML 工具。