Используйте awk или sed для удаления всего между < >

так что эта команда должна помочь...

sed -i 's/<[^>]*>//g' file

файл результатов должен быть таким

Mark Yato ft. MarkAm & Givēon - Thuieo (7)
The Central - AHTIOe oie (7)
Taa Too A - ryhwtyw w (8)

Отсюда вы можете сделать это

sed -i 's/([0-9])//g' file

и это должно дать вам желаемый результат

Mark Yato ft. MarkAm & Givēon - Thuieo
The Central - AHTIOe oie
Taa Too A - ryhwtyw w

РЕДАКТИРОВАТЬ :обновить вторую команду, чтобы она выглядела аккуратнее.

РЕДАКТИРОВАТЬ :Альтернативный лайнер

sed -i 's/<[^>]*>//g;s/([0-9])//g' file

Почти готово. -Совпадения регулярных выражений "жадные", поэтому вам нужно указать шаблону, что закрывающий символ >не разрешен внутри шаблона. Иными словами, часть [^()]*внутри шаблона будет соответствовать как можно большему количеству текста "жадно". Если вы не укажете шаблону исключить закрытие >из этой части шаблона, открытие <и закрытие >, которые использует регулярное выражение, не обязательно являются парными с точки зрения HTML..

Используйте вместо этого:

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

Это заставляет регулярное выражение удалять каждый тег HTML, а не больший блок текста, который имеет <и >на концах, а также <или >в середине.

Анализ разметки с помощью регулярных выражений общеизвестно проблематичен .

Угловые скобки могут появляться в атрибутах тегов, комментариях и, возможно, в других местах, хотя это и не является проблемой для данных примера, что делает регулярные выражения, соответствующие от <до >, ненадежными.

Вам следует прибегнуть к инструментам, реализующим анализатор разметки.

Например, используя pandoc(версию >= 2.8 )с вашими демонстрационными данными (без добавления отсутствующего тега </ol>):

$ pandoc -f html -t plain file 
Mark Yato ft. MarkAm & Givēon - Thuieo (7)

The Central - AHTIOe oie (7)

Taa Too A - ryhwtyw w (8)

Затем вы можете легко опубликовать -обработку этого вывода как обычного текста, чтобы удалить пустые строки и другие ненужные части:

$ pandoc -f html -t plain file |
  sed -e '/^$/d' -e 's/[[:blank:]]*([[:digit:]]*)$//'
Mark Yato ft. MarkAm & Givēon - Thuieo
The Central - AHTIOe oie
Taa Too A - ryhwtyw w

Обратите внимание, что до версии 2.8 pandocиспользовалось для преобразования любого выделенного текста во все заглавные буквы -при создании вывода в формате plain. Тег <b>в элементах вашего списка вызовет такое поведение (подробнее об этом в журнале изменений или соответствующем коммите на GitHub ).

В зависимости от ваших фактических входных данных обходной путь может заключаться в использовании markdownв качестве формата ввода pandoc, либо явно:

pandoc -f markdown -t plain file

или неявно, учитывая, что pandocавтоматически принимает значение по умолчанию(pandoc -t plain file).

Вы можете использовать phpдля удаления всех тегов HTML и преобразования объектов HTML обратно в обычные символы:

$ <file php -r 'echo htmlspecialchars_decode(strip_tags(file_get_contents("php://stdin")), ENT_HTML5);'
Mark Yato ft. MarkAm & Givēon - Thuieo (7)
The Central - AHTIOe oie (7)
Taa Too A - ryhwtyw w (8)

Чтобы дополнительно удалить пробелы (пробелы, табуляции ), за которыми следует открытие (, за которым следует одна или несколько цифр и закрытие )в строке, оканчивающейся наsed:

$ <file php -r 'echo htmlspecialchars_decode(strip_tags(file_get_contents("php://stdin")), ENT_HTML5);' |
    sed 's/[[:blank:]]*([[:digit:]][[:digit:]]*)$//'
Mark Yato ft. MarkAm & Givēon - Thuieo
The Central - AHTIOe oie
Taa Too A - ryhwtyw w

Если у вас lynx, то с опцией nolistследующая команда будет работать как:

lynx -dump -nolist -force_html file | awk '{sub(/^[[:space:]]*[0-9]+\. /,""); }1'
lynx -dump -nolist -force_html --display-charset=UTF-8 --assume-charset=UTF-8 file | awk '{sub(/^[[:space:]]*[0-9]+\. /,""); }1'

## Mark Yato ft. MarkAm & Givēon - Thuieo (7)
## The Central - AHTIOe oie (7)
## Taa Too A - ryhwtyw w (8)

Чтобы удалить символы из последнего пробела, регулярное выражение / [^ ]*$/будет работать так, как предложено в этом ответе . Чтобы получить желаемый результат, команду следует изменить на:

lynx -dump -nolist -force_html file | awk '{sub(/^[[:space:]]*[0-9]+\. /,""); sub(/ [^ ]*$/,""); }1'
lynx -dump -nolist -force_html --display-charset=UTF-8 --assume-charset=UTF-8 file | awk '{sub(/^[[:space:]]*[0-9]+\. /,""); sub(/ [^ ]*$/,""); }1'

## Mark Yato ft. MarkAm & Givēon - Thuieo
## The Central - AHTIOe oie
## Taa Too A - ryhwtyw w

Если расширение файла html, то -force_htmlможет быть опущено в команде lynx, как предложил @Căcărău. В некоторых случаях приведенная выше команда может работать некорректно. Поэтому лучше включить--display-charset=UTF-8--assume-charset=UTF-8в команду lynx, потому что UTF-8является распространенной кодировкой символов в Интернете.

Использованиеxmlstarlet:

xmlstarlet fo -H file |
xmlstarlet sel -E latin1 -t -v '//li' -nl 2>/dev/null |
xmlstarlet unesc | sed 's/ [^ ]*$//'

Это использует xmlstarletдля преобразования HTML-фрагмента в хорошо -сформированный HTML-документ (1-ю команду ). Затем извлекается значение каждого liузла (Вторая команда ). Наконец, он декодирует любые объекты HTML (&, например ). Последняя команда sedпросто удаляет все после последнего пробела в каждой строке (в скобках есть числа, которые не должны быть частью вывода ).

Вывод данного документа в вопросе:

Mark Yato ft. MarkAm & Givēon - Thuieo
The Central - AHTIOe oie
Taa Too A - ryhwtyw w