使用bash从html文件中提取文本

Question

我有一个脚本：

cd ../data;
dossier=$(ls crawl);

let "compte = 1";

for file in $dossier
do

lynx --dump --nolist $file >> ../data/txt/$compte'.txt';

let "compte = compte + 1"; 
done 

我正在使用lynx 从我所有的 HTML 文件中检索文本，但问题是当我打开我的文本文件时，它是这样写的：

410 GONE

This doesn't exist any more. Try html.com.

我不知道为什么，因为当我在终端和爬虫文件夹中时，我对每个 HTML 文件执行 lynx 转储，它正在生成文本文件，但是当我想将它与脚本一起使用时读取我所有的 HTML 文件并在它们上使用 lynx 结果并不好。

Answer 1

您需要协议和（不确定）路径。例如：

lynx -dump file:///where/my/file/is/file.html