Séparer des mots de balises HTML

[kandro]

Bonjour,
dans le but de créer un "dictionnaire" du web en shell, j'ai du télécharger certaines pages internet grâce à la commande wget. J'aimerai connaitre le moyen de dissocier les mots contenus dans le fichier HTML obtenu des balises HTML. En effet dans le cas où on aurait quelque chose comme :

tralala<balise>blabla</balise><balise>truc</balise>muche

Ne pouvant prédire la longueur d'une telle chaîne, il me semble difficile de réaliser ce que je veux avec la commande sed. J'ai posé la question, et l'on m'a orienté vers la commande awk, j'ai lu le man de cette dernière, hors je ne vois toujours pas comment faire. Pourriez vous me donner un exemple d'utilisation afin que je puisse comprendre la commande et l'utiliser au mieux.

[frp31]

tu peux tjrs faire un traitement global vers un fichier de résultat :

Code :

 sed 's/<.*>\(.*\)<\/.*>/ \1 /' truc.html > truc.txt

exemple :

Code :

1
2
3
[fpu@lnx ~] echo "tralala<balise>blabla</balise><balise>truc</balise>muche" | sed 's/<.*>\(.*\)<\/.*>/ \1 /'
tralala truc muche
[fpu@lxnx ~]

[kandro]

Merci de ta réponse, cependant il reste un problème, le texte d'entrée est :

tralala<balise>blabla</balise><balise>truc</balise>muche

Le texte de sortie est :

tralala truc muche

Il manque le blabla.

[zipe31]

Salut,

Code :

1
2
3
4
$ echo "tralala<balise>blabla</balise><balise>truc</balise>muche" | sed 's/<[^>]*>/ /g'
tralala blabla  truc muche
 
$

Sinon, en récupérant directement que le texte de ta page html avec w3m, ça ne le ferait pas ?

Code :

w3m -dump $URL

[frp31]

bien vu je connaissais pas la fonction...

[kandro]

Merci, à vous deux pour vos réponses, je penses qu'avec ça j'aurai de quoi réussir mon projet.