HTMLソースファイルからタグを取り除く方法

HTMLソースファイルから、タグを完全に取り除く手法やモジュールを教えてください。
イメージとしましては、インターネットブラウザ上のHTMLページに対し
<全選択→コピー→テキストファイルに貼り付ける>
といった作業に類似したことをしたいです。

s/<.*?>//; を用いた削除では、本質問3行目のような表現も削除してしまい、
またブラウザを用いた手動の方法では、大量のファイルを処理しきれず困っています。

どなたかよろしくお願いいたします。

No.2 ベストアンサー 回答者： rafysta 回答日時： 2006/10/28 16:00

HTML::FormatText モジュール

この回答へのお礼

ありがとうございます！
だめだったら、手作業でやろうと思っていたので大変助かりました。

お礼日時：2006/10/28 16:50

No.4 回答者： steel_gray 回答日時： 2006/10/28 16:54

#3です

<>の中身が日本語がだと無視されずに表示されるようですね。失礼しました。

No.3 回答者： steel_gray 回答日時： 2006/10/28 16:49

HTMLファイル中に

<この部分は削除しないで!!>
と、書いてもテキストとして表示される事はない（ブラウザは未知の要素として無視する）のだからタグとして削除されてもかまわないのでは？

No.1 回答者： edomin 回答日時： 2006/10/28 15:13

こちらは、参考になりますか？

http://www.openspc2.org/book/InDesignCS/hard/015 …

参考URL：http://www.openspc2.org/book/InDesignCS/hard/015 …

この回答へのお礼

早速お返事ありがとうございます。

紹介していただいたwebページを参照してみました。
紹介していただいたソースファイルには、下記のような記述がありました。
-- str = new RegExp("<[^>]*?>","gmi"); //　HTMLタグ削除 --
しかし、この正規表現だとやはり
<この部分は削除しないで!!>
といった表現もタグと判断して削除してしまうように感じます。実際はどうなんでしょうか・・・・・・

お礼日時：2006/10/28 15:50