Board logo

标题: 怎么只去除网页源文件中所有的html标签 [打印本页]
作者: vkill     时间: 2006-11-13 01:58    标题: 怎么只去除网页源文件中所有的html标签
我试了 sed "s/<\/.*>//;s/<.*>//"
可这样使用像<td><p align="left">分类列表: <a href="#1">| 网络</a> | <a href="#2">文件工作</a> | <a href="#3">系统 </a> | <a href="#4">服务器</a> | <a href="#5">多媒体</a> | <a href="#6">其他 | </a></p></td>这类的就不可以


我还试了 sed "s/\(.*\)<\/.*>/\1/;s/\(.*\)<.*>/\1/" 比上面的好点,可怎么让这重复执行,直到完全没有html标签

或者有什么别的好工具?请教大家
作者: vkill     时间: 2006-11-13 02:10
目的是:

有时候，我们在数据库中存储的是一段段的HTML文本，但是取出来的时候，有时又不需要那些HTML标签，而只是需要纯文本，就像我们在页面上看到的文字一样，所以，就需要去掉那些HTML标签，只保留文本的内容


baidu搜索

String noHtmlContent = content.replaceAll("<*>","");
这句什么意思?是vbs吧!

Last edited by vkill on 2006-11-13 at 02:12 AM ]
作者: electronixtar     时间: 2006-11-13 05:29
不要考虑偏了。例如 <script>alert('1')</script> ，页面不会显示alert('1')，但是用的用你的思路转换出来，会显示的。还有 HTML 转义字符怎么办？例如 hello&nbsp;DOS，又要考虑一大堆东西。所以还是用系统自带组件IE来转换的好。可以搜索 2txt 关键字，看看vbs版的 htm2txt
作者: 3742668     时间: 2006-11-13 06:18
    If WScript.Arguments.Count < 1 Then 

        str = InputBox("输入源码:","提示")

    Else

        str = WScript.Arguments(0)

    End If

Set oIE = CreateObject("InternetExplorer.Application")

    oIE.Navigate "about:blank"

    oIE.Document.write "<html><body></body></html>"

    oIE.Document.body.innerHTML =  str

    WScript.Echo  oIE.Document.body.innerText

无参数弹出对话框提示输入代码，有参数则自动转换，无临时文件，vbs版，可在bat中用cscript.exe //nologo调用。
作者: vkill     时间: 2006-11-15 01:26
谢谢楼上两位,不过我想用sed解决，因为有什么这些html标签对用sed提取一些网页中的东西还有用,可以说是木的是不完全去掉
作者: vkill     时间: 2006-11-15 01:34
还有就是我主要是想用 正则表达式 解决
作者: electronixtar     时间: 2006-11-15 04:51
这样阿，可以搜索下 51js.com 上关于 HTML标签 的正则
作者: vkill     时间: 2006-11-16 04:03
Originally posted by electronixtar at 2006-11-15 04:51:
这样阿，可以搜索下 51js.com 上关于 HTML标签 的正则


51js.com 上怎么什么也没有?
作者: 3742668     时间: 2006-11-16 13:44
试试:
    strFilter = "<+>"

WScript.echo HtmlFilter(InputBox("输入字符串:"),strFilter)

  

 Function HtmlFilter(str,pattern)

     Set regEx = New RegExp

     With regEx

         .Global = True

         .IgnoreCase = True

         .Pattern = pattern

     HtmlFilter = .Replace(str,"") 

     End With

 End Function

vbs版的，也是正则表达式，不知道是否和你的要求相符。另外，还有一种vbs方案，对代码要求较高，不规范(xhtml规范)的代码无法得到正常结果:


Set oXML = CreateObject("Microsoft.XMLDOM")

With oXML

    .loadXML InputBox("请输入字符串:")

    WScript.Echo .text

End With
作者: vkill     时间: 2006-11-17 01:45
我搜索到了 一个

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

因为sed在使用s命令的时候,是寻找最长的匹配,所以使用 sed 's/<.*>//' 是不能得到想要的结果的.而使用上面的例子,总是寻找以"<"开头,以">"结尾的最短的匹配
作者: vkill     时间: 2006-11-17 01:46
3742668斑竹发的vbs看不懂，所以暂时先用sed
作者: hxuan999     时间: 2006-11-23 02:57
SED???