从文件中的所有行中删除 <s> 和 </s>

Question

我正在处理一个相当大的文件，我将使用它来创建 word2vec 嵌入。该文件每行包含一个句子，所有行都以 开始标记和 结束标记开始。现在我想做的是使用 sed 删除开始和结束标签，但我不知道该怎么做。

我试过了

sed myfile 's/<s> //g' > resultfile
sed resultfile 's/ </s>//g' > finalfile

但这会产生“命令后的额外字符”错误。

如果有人能给我正确的模式，我会非常高兴。提前致谢！

Answer 1

试试这个：

sed 's#</\?s>##g' file

• 这将一次性删除 <s> 和 </s>
• # 是 sed 的 s 命令的分隔符，因为您的模式已经有斜线。
• </\?s> 是正则表达式，它匹配<s> and </s>

Answer 2

您的参数顺序错误。

尝试使用：

sed -e 's/<[^>]*>//g' myfile.txt

删除任何 html标签

参考：Sed remove tags from html file