☰

将多个 HTML 解析为文本并重命名为父目录

tag-icon • tag-icon bash shell bash-scripting
将多个 HTML 解析为文本并重命名为父目录

在一个目录中有许多.html文件夹，我想将所有HTML解析为具有父目录名称的新.txt。

示例1/Index.html>示例1.txt

示例2/Index.html>示例2.txt

答案1

显然，您希望将某些 HTML 页面转换为纯文本。因此，我不会使用自定义解决方案（例如使用一些 sed magic）来删除标签，而是使用为此目的而设计的工具，例如html2text；摘自其网页：

html2text 是一个 Python 脚本，可将 HTML 页面转换为干净、易读的纯 ASCII 文本。更棒的是，该 ASCII 恰好也是有效的 Markdown（一种文本转 HTML 格式）。

解决批量重命名的问题：

find . -maxdepth 1 -type d -print0 | while IFS= read -r -d '' dirname
 do python path/to/html2text/html2text.py "${dirname}/index.html" > "${dirname}/${dirname}.txt"
done

在这里，find 命令列出仅位于当前目录中的所有目录（即非递归），并且 read 命令（在 while 条件中）将值赋给变量。最后，执行和get$dirname之间的命令，这里它会根据您的要求转换文件。正如 @slhck 指出的那样，您需要使用这样一个复杂的命令，这样带有空格的目录名才不会破坏任何东西。dodone

[编辑]：另一种转换当前目录下所有 HTML 文件的变体：

find . -iname "*.html" -print0 | while IFS= read -r -d '' filename
  do python path/to/html2text/html2text.py "${filename}" > "${filename%.*}.txt"
done

iname搜查案件我不敏感*.html。

${filename%.*}.txt删除扩展名并附加.txt，即，如果filename是some/path/index.html，${filename%.*}则是some/path/index，最后${filename%.*}.txt是some/path/index.txt。

当您使用Z壳，你可以使用更干净的 for 循环，而不会在空白处刹车：

for i (*(/)) python path/to/html2text/html2text.py "${i}/index.html" > "${i}/${i}.txt"

这里的技巧是*(/)生成文件名，但只返回目录(/)。

[编辑]：此外，在 zsh 语法中，还有转换当前目录下所有 HTML 文件的变体（您需要EXTENDEDGLOB设置选项）：

for i ((#i)**/*.html) {
   python path/to/html2text/html2text.py "$i" > "${i:r}.txt"
}

(#i)用例我不敏感的通配符，**递归搜索，因此返回当前工作目录下的所有 HTML 文件。（如果需要遵循符号链接，请使用三颗星，***而不是两颗星）。

如果 for 循环内有多个命令，请使用花{ ... }括号（这里不需要，但不会造成损害）。

${i:r}从变量中剥离扩展名（r 表示删除）$i。

相关内容