[文本处理] 【已解决】批处理怎样从txt文本或者htm文件里提取特定内容？

tbjx138

例如： <div><a href="Detail.mvc?sys=dlib&amp;type=1&amp;restype=2&amp;cult=CN&amp;resid=m.20140704-ZLZX-889-0379&amp;page=1" onclick="WriteCenterLogs(*m.20140704-ZLZX-889-0379*,*社会风尚与道德领域突出问题专项治理研究：基于文化视角的透析*,*高褔进, 闫成*,*上海人民出版社*,*2014*,*APABI_XKFL$$063,其他学科;CYFL2011$$009006,政治军事|中国政治;XXKC$$005003,课外阅读|社会科学类;ZXKC$$006003,课外阅读|社会科学类*,*978-7-208-12002-0*);" target="_blank">1</a></div>

这个我网页保存htm里的一段代码。有n个这样的htm，每个htm里有n个这样的一段代码，我想把n个这样的htm里所有这样的代码，批量转换成一个txt文本或excle里。附图，是我想要的格式，请高手大侠帮忙！！做成批处理或者vba代码都可以的！！先谢谢各位了！！

这个图是一个htm里应该提取的的内容，每个htm里有10个！！！

522235677

最好打包几个htm文件发上来

tbjx138

回复
好的，我发几个htm您试试！！谢谢！

2# 522235677 ，还有些这样不同的格式的htm，

tbjx138

请大神们帮忙！！谢谢了！！

terse

最后结果正确不
我这里测 是可行的 （XP 和 WIN7）

@if(0)==(0) echo off
for %%a in (*.htm) do CScript.exe //NoLogo //E:JScript "%~f0" "%%a">%%~na.txt
pause & exit
@end
function WriteCenterLogs(a,b,c,d,e,f,g,h,i) {WScript.Echo(a + '\t' + b + '\t' + c + '\t' + d + '\t' + e+ '\t' + g)}

function adoLoadText(filename, charset) {
    var stream, text;
    stream = new ActiveXObject("ADODB.Stream");
    stream.type = 2;
    stream.charset = charset;
    stream.open();
    stream.loadFromFile(filename);
    text = stream.readText(-1);
    stream.close();
    return text;
}

    var file = WScript.Arguments.Item(0);
    var next = adoLoadText(file ,'UTF-8');
    var html = new ActiveXObject("htmlfile");
    html.write(next);
    var d = html.getElementsByTagName("dd");
    var len = d.length;
    for (var i = 0; i < len; i++) { 
       var s = d[i].getElementsByTagName("div");
       s = s[0].getElementsByTagName('a')[0].onclick;
       s();
    }
复制代码

废了对象 还是直接正则获取 这样试下
发现正则有点问题

@if(0)==(0) echo off
dir /b *.htm | CScript.exe //NoLogo //E:JScript "%~f0"
pause & exit
@end

function adoLoadText(filename, charset) {
    var stream, text;
    stream = new ActiveXObject("ADODB.Stream");
    stream.type = 2;
    stream.charset = charset;
    stream.open();
    stream.loadFromFile(filename);
    text = stream.readText();
    stream.close();
    return text;
}
var fso = new ActiveXObject("Scripting.FileSystemObject");
var re = new RegExp('<dd>[^(]+\\((.+)\\);\" target=','img')
while (!WScript.StdIn.AtEndOfStream){
    var file = WScript.StdIn.Readline();
    var name = file.replace(/(.+?)(\.[^\.]*?)$/gi,'$1.txt');
    var next = adoLoadText(file ,'UTF-8');
    var arr = getarr(next);
    fso.CreateTextFile(name, true).Write(arr.join('\r\n'))
}

function getarr(next) {
    var f = next.match(re),arr = [];
    if (f){
      var len = f.length;
      for (var i = 0; i < len; i++){
        var str = f[i];
        str = str.replace(re,'$1');
        var tar = str.replace(/^'|'$/g,'').replace(/\t/g,' ').split(/','/);
        tar.splice(5, 1)
        arr[i] = tar.join('\t')
      }
      return arr;
    }
}
复制代码

ads350668398

回复 5# terse

代码 加个注释 新手好学习啊 晕

tbjx138

回复 5# terse

感谢您的回复，我用您给的代码测试了2个htm，提取的txt是0kb，没用任何信息？不知道原因在哪!是不是我用的不对呢，我是用您的代码做个bat，放到htm文件夹里操作的。您如果您能加个注释就好了！！
您用我发的附件里htm，测试一下，是不是也和我一样的情况。再次感谢您的帮忙！！

terse

回复 7# tbjx138
上面代码 试下

tbjx138

最后结果正确不
我这里测 是可行的 （XP 和 WIN7）废了对象 还是直接正则获取 这样试下
terse 发表于 2014-11-4 22:53

太感谢terse大神的帮忙了！！完美提取出来了，您的技术非常棒！！批处理真是很强大！！以后还要和大神多学习！！

Batcher

回复 6# ads350668398


    哪里不懂就直接问吧

我来了

回复 10# Batcher

正则经过三周的折腾，算是凑合能搞出想要的东西了。
RegexBuddy4.6 也被我去除校验和NAG，汉化成功了，控件上都被写上了正则例子了，用起来太爽了
就是不会用命令行，要学哪些才能结合使用呢？？？

Batcher

回复 11# 我来了


    每天坚持使用支持正则的命令（sed/awk/grep等）到各个技术论坛解决文本处理类的问题