如何使用不带html的wget获取页面文本？

如果我尝试在网页上使用wget，则表示该页面为html。是否可以仅检索文件文本而不关联html？（这对我来说是必需的，因为某些HTML页面包含带有html标签的c程序正在下载。我必须在浏览器中将其打开，然后手动复制文本以创建.c文件。）

wget将仅检索文档。如果文档是HTML格式，则需要的是解析文档的结果。

例如，lynx -dump -nolist如果周围有山猫，则可以使用。

lynx是一款轻巧，简单的Web浏览器，具有-dump用于输出解析过程结果的功能。-nolist避免在最后出现链接列表，如果页面有任何超链接，该列表就会出现。

正如@Thor所提到的，elinks也可以用于此操作，因为它也有一个-dump选项（并且必须-no-references省略链接列表）。如果您使用-sigh-框架（MTFBWY）跨过某些站点，它可能特别有用。

另外，请记住，除非页面真的只是带有HTML标记的C代码，否则您将需要检查结果，以确保那里没有C代码。

如果您没有安装这些其他工具，仅安装了wget，并且页面没有仅格式化纯文本和链接（例如源代码或文件列表），则可以使用sed剥离HTML，如下所示：

wget -qO- http://address/of/page/you/want/to/view/ | sed -e 's/<[^>]*>//g'

这使用wget将页面的源转储到STDOUT并进行sed剥离任何<>对以及它们之间的任何东西。

然后，您可以使用>将sed命令的输出重定向到要创建的文件：

wget -qO- http://.../ | sed -e 's/<[^>]*>//g' > downloaded_file.txt

注意：您可能会发现文件中不需要的多余空格（例如，行缩进了几列）

使用文本编辑器整理文件（或下载C源代码时的源格式化程序）可能最简单。

如果您需要对文件的每一行执行相同的简单操作，则可以在sed命令中包括执行此操作的命令（此处删除一个前导空格）：

wget -qO- http://.../ | sed -e 's/<[^>]*>//g;s/^ //g' > downloaded_stripped_file.txt

只是添加另一个工具。我更喜欢w3m，它是一个lynx类似控制台的浏览器。您可能想查看系统上已有的功能。

w3m -dump website.html