Question

我有很多HTML文件，我需要从中提取文本。如果它全部在一行上，我可以很容易地做到这一点，但如果标签环绕或在多行上，我无法想象如何做到这一点。这就是我的意思：

<section id="MySection">
Some text here
another line here <br>
last line of text.
</section>

我并不关心<br>文本，除非它有助于包装文本。我想要的区域始终以“MySection”开头，然后以</section>结束。我想最终得到的是这样的：

Some text here  another line here  last line of text.

我更喜欢像vbscript或命令行选项（sed？），但我不知道从哪里开始。有什么帮助吗？

Answer 1

通常，您将使用Internet Explorer COM对象：

root = "C:\base\dir"

Set ie = CreateObject("InternetExplorer.Application")

For Each f In fso.GetFolder(root).Files
  ie.Navigate "file:///" & f.Path
  While ie.Busy : WScript.Sleep 100 : Wend

  text = ie.document.getElementById("MySection").innerText

  WScript.Echo Replace(text, vbNewLine, "")
Next

但是，在IE 9之前不支持<section>标记，即使在IE 9中，COM对象似乎也没有正确处理它，因为getElementById("MySection")只返回开始标记：< / p>

>>> wsh.echo ie.document.getelementbyid("MySection").outerhtml
<SECTION id=MySection>

您可以改为使用正则表达式：

root = "C:\base\dir"

Set fso = CreateObject("Scripting.FileSystemObject")

Set re1 = New RegExp
re1.Pattern = "<section id=""MySection"">([\s\S]*?)</section>"
re1.Global  = False
re2.IgnoreCase = True

Set re2 = New RegExp
re2.Pattern = "(<br>|\s)+"
re2.Global  = True
re2.IgnoreCase = True

For Each f In fso.GetFolder(root).Files
  html = fso.OpenTextFile(filename).ReadAll

  Set m = re1.Execute(html)
  If m.Count > 0 Then
    text = Trim(re2.Replace(m.SubMatches(0).Value, " "))
  End If

  WScript.Echo text
Next

Answer 2

这是一个使用perl的单行解决方案和来自Mojolicious框架的HTML解析器：

perl -MMojo::DOM -E '
    say Mojo::DOM->new( do { undef $/; <> } )->at( q|#MySection| )->text
' index.html

假设index.html包含以下内容：

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
</head>
<body id="portada">
<section id="MySection">
Some text here
another line here <br>
last line of text.
</section>
</body>
</html>

它产生：

Some text here another line here last line of text.

在HTML标记之间提取文本

2 个答案: