求Shell脚本：将大HTML表格转为单引号包裹的竖线分隔文本

方案一：用pup+jq（推荐，兼容复杂HTML结构） #

这两个是专门的命令行HTML/JSON解析工具，处理HTML比正则更可靠，适合大文件和复杂表格结构。

1. 先安装工具（以Debian/Ubuntu为例）：

sudo apt install pup jq

2. 编写脚本（比如命名为html2table.sh）：

#!/bin/bash
# 传入HTML文件路径作为参数，无参数则读取标准输入
INPUT_FILE="${1:-/dev/stdin}"

# 提取表格数据并转换为目标格式
pup 'table tr json{}' "$INPUT_FILE" | jq -r '
    .[]
    | .children
    | map(.text | gsub("'\''"; "\\\\'\\''"))  # 转义内容中的单引号，避免格式冲突
    | "|\'" + join("|\'") + "\'"
'

3. 使用方式：

# 处理单个文件并输出到文本
./html2table.sh input.html > output.txt

# 通过管道输入处理
cat input.html | ./html2table.sh > output.txt

脚本会自动识别表格列数，处理内容中的单引号转义，输出完全符合要求的格式。

方案二：用sed+awk（无需额外工具，适合规整HTML） #

如果无法安装外部工具，且HTML格式规整（<td>标签单独一行、内容无跨行），可以用这个方案：

1. 编写脚本：

#!/bin/bash
INPUT_FILE="${1:-/dev/stdin}"

# 提取<td>内文本并按行分组转换
sed -n 's/.*<td[^>]*>\(.*\)<\/td>.*/\1/p' "$INPUT_FILE" | awk '
    BEGIN {
        # 自动统计表格列数
        col_count=0
        while ((getline line < "'"$INPUT_FILE"'") > 0) {
            if (line ~ /<tr>/) {
                while ((getline td_line < "'"$INPUT_FILE"'") > 0) {
                    if (td_line ~ /<\/tr>/) break
                    if (td_line ~ /<td/) col_count++
                }
                close("'"$INPUT_FILE"'")
                break
            }
        }
        current_col=0
    }
    {
        # 转义单引号
        gsub(/'\''/, "\\'\\''", $0)
        if (current_col == 0) {
            printf "|\047%s\047", $0
        } else {
            printf "|\047%s\047", $0
        }
        current_col = (current_col + 1) % col_count
        if (current_col == 0) print ""
    }
    END {
        if (current_col != 0) print ""
    }
'

2. 使用方式和方案一一致。

注意：该方案依赖HTML结构规整，若<td>内容跨行或标签嵌套，可能提取错误，优先推荐方案一。

内容的提问来源于stack exchange，提问作者Sooraj P George