使用Bash删除HTML表格中无可见内容的<td>行

AWK解决方案 #

针对你的需求，用AWK可以精准过滤掉无可见内容的行，执行以下命令即可：

awk '
/^[[:space:]]*<td/ {
    content = $0
    # 移除所有HTML标签
    gsub(/<[^>]+>/, "", content)
    # 清除所有空白字符（含普通空格和HTML非断空格）
    gsub(/[[:space:]]|\xC2\xA0/, "", content)
    # 内容为空则跳过该行
    if (length(content) == 0) next
}
# 输出所有保留的行
1' table.html > cleaned_table.html

命令逻辑说明：

• 仅对以任意空格开头的行进行处理
• 先移除该行内所有HTML标签，提取纯文本内容
• 清除所有空白字符（包括键盘空格和HTML里的 ）
• 若处理后文本长度为0，说明无可见内容，直接跳过该行；否则保留
• 最后输出所有未被过滤的行，其他非行保持原样

输入输出示例 #

输入：

<table>
<tbody>
<tr style="height: 17px;">
    <td style="width: 120.078px; height: 17px;" align="RIGHT" valign="TOP"><span style="font-size: 10pt; font-family: verdana, geneva, sans-serif;"><strong>CEO </strong></span></td>
    <td style="width: 438.922px; height: 49px;" rowspan="2" align="LEFT" valign="TOP"><span style="font-size: 10pt; font-family: verdana, geneva, sans-serif;"><strong> Name<br/></strong> E-Mail<br/></span></td>
</tr>
<tr style="height: 32px;">
    <td style="width: 120.078px; height: 32px;" align="RIGHT" valign="TOP"><span style="font-family: verdana, geneva, sans-serif; font-size: 10pt;"> </span></td>
</tr>
</tbody>

输出：

<table>
<tbody>
<tr style="height: 17px;">
    <td style="width: 120.078px; height: 17px;" align="RIGHT" valign="TOP"><span style="font-size: 10pt; font-family: verdana, geneva, sans-serif;"><strong>CEO </strong></span></td>
    <td style="width: 438.922px; height: 49px;" rowspan="2" align="LEFT" valign="TOP"><span style="font-size: 10pt; font-family: verdana, geneva, sans-serif;"><strong> Name<br/></strong> E-Mail<br/></span></td>
</tr>
<tr style="height: 32px;">
</tr>
</tbody>

内容的提问来源于stack exchange，提问作者Viktor Carlson