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 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。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
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
| Quote: | |
|
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: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
Set oXML = CreateObject("Microsoft.XMLDOM")
With oXML
.loadXML InputBox("请输入字符串:")
WScript.Echo .text
End With
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???