批处理之家 - Powered by Discuz! Board

标题: [文本处理] 批处理如何从html中提取出指定的几段内容？ [打印本页]

作者: yiweipiaoxu 时间: 2015-9-8 11:39 标题: 批处理如何从html中提取出指定的几段内容？

如题，该html是某在线考试系统保存得到的，其中含有160道选择题和答案选项，想要从中将题目和答案提取出来，需要提取的包括以下几部分内容：
1、“qid”字段后的数字是题目的编号，分别是从1-160，需要提取。
2、“tittle”字段后的内容是该道题的题目内容。
3、“content”字段后的内容是答案选项，即A、B、C、D和文字内容。
4、“answer”字段后的内容是答案，只有一个字母。
现在想把这几部分内容提取后生成为新的txt文件，这四项内容之间分别用逗号隔开（其实最终目的是放到excel里，方便在电脑本地做题或者打印出来），因html文本中符号太多，且代码的换行也不规范，本人半桶水用for指令写了很多条命令都没成功，请求坛里大神指导，感谢！

附件如下（已将附件替换为原始html文件）：

作者: pcl_test 时间: 2015-9-8 11:53

原件更利于解决问题，可发压缩包或是网盘分享链接

作者: yiweipiaoxu 时间: 2015-9-8 11:58

回复 2# pcl_test

您好，已经将附件替换了，麻烦您看看，谢谢！

作者: 回家路上 时间: 2015-9-8 13:50

本帖最后由回家路上于 2015-9-8 15:37 编辑

@if(0)==(0) echo off& cscript.exe -nologo -e:jscript "%~f0"&pause&exit/b&@end

var aso = new ActiveXObject("ADODB.Stream");
aso.Mode = 3;
aso.Type = 2;
aso.Charset = "utf-8";
aso.Open();
aso.LoadFromFile("1.htm");
var txt = aso.ReadText(-1);
var reg = /\{"qid":.+?"answer":"([^"]+)"\}/g
var rs = txt.match(reg);
txt = "";
for(var i=0; i<rs.length; i++){
	reg = /\{"qid":(\d+),.+?(?="title)"title":"([^"&]+).*?","content":"(A、[^&]*).*?(B、[^&]*).*?(C、[^&]*).*?(D、[^\\]*).*?","optionnum":4,"answer":"([^"]+)"\}/g
	if(reg.test(rs[i]))
	txt+=RegExp.$1 				//qid
		+ "," + RegExp.$2 		//title
		+ "," + RegExp.$3 		//A
		+ "," + RegExp.$4 		//B
		+ "," + RegExp.$5 		//C
		+ "," + RegExp.$6 		//D
		+ "," + RegExp.$7		//answer
		+ "\r\n";
}
aso.Position = 0;
aso.WriteText(txt);
aso.SetEOS();
aso.SaveToFile("结果.txt", 2);
aso.Close();
aso = null;
复制代码

作者: yiweipiaoxu 时间: 2015-9-8 15:04

回复 4# 回家路上

大神啊，太厉害了，已经测试通过。第一次来发帖就有热心人帮忙，着实感动。之前自己只能写一些简单的批处理，稍微复杂点的就上网找功能近似的慢慢看懂再修改。条件判断方面我懂的还太少还要下点功夫研究，这段代码我会用心琢磨透，再次感谢帮忙的朋友！

作者: yiweipiaoxu 时间: 2015-9-8 15:24

回复 4# 回家路上

测试后还发现一个小问题，html里有160道题，实际生成的“结果.txt”里只有157道题，有3道没有成功导出，能否解答一下是什么原因造成的？（从158题开始就跟识图有关了，题目带有图片的链接地址，是否与此有关？若让程序跳过图片，其余文字继续提取，这个批处理该怎么改）

作者: 回家路上 时间: 2015-9-8 15:37

回复 6# yiweipiaoxu

已修改

作者: pcl_test 时间: 2015-9-8 17:16

本帖最后由 pcl_test 于 2015-9-9 11:38 编辑

//&cls&dir /b "1.htm"|cscript.exe -nologo -e:jscript "%~f0"&pause&exit/b

var loadText = function (FileIn,Charset){
    var stm = new ActiveXObject('ADODB.Stream');
    stm.Type = 2;
    stm.Mode = 3;
    stm.Charset = Charset;
    stm.Open();
    stm.LoadFromFile(FileIn);
    stm.Position = 0;
    return stm.ReadText;
}
var saveText = function (str,FileOut,Charset){
    var stm = new ActiveXObject('ADODB.Stream');
    stm.Type = 2;
    stm.Mode = 3;
    stm.Charset = Charset;
    stm.Open();
    stm.WriteText(str);
    return stm.SaveToFile(FileOut,2);
}

while(!WScript.StdIn.AtEndOfStream) {
    var txt = '';
    var f= WScript.StdIn.ReadLine();
    var fn = f.replace(/\.[^\.]*$/,'');
    var txttmp = loadText(f,'utf-8').match(/\[\{"qid":.+?\}\]/)[0];
    var txttmp = txttmp.replace(/&lt;/g,'「').replace(/&gt;/g,'」').replace(/「[^」]*」|\\\\r|\\\\n/g,'');
    var m = txttmp.match(/\{[^\}]+?\}/g);
    for (var i=0;i<m.length;i++){
        var qid = m[i].replace(/.+"qid":(\d+).+/,'$1');
        var title = m[i].replace(/.+?"title":"(.+)","content.+/,'$1');
        var content = m[i].replace(/.+?"content":"(.+)","optionnum.+/,'$1').replace(/\\n|\\t/g,'');
        var content = content.replace(/(B、|C、|D、)/g,'\r\n$1');
        var answer = '答案：'+m[i].replace(/.+?answer":"([^"]).+/,'$1');
        txt +=qid+'、'+title+'\r\n'+content+'\r\n'+answer+'\r\n\r\n'
    }
    saveText(txt,fn+'.txt','gb2312');
}
复制代码

欢迎光临批处理之家 (http://bathome.net./)

Powered by Discuz! 7.2