[已解决]批处理如何批量获取网页中的特定文本内容？

super1129

对于网址中数字是有规律的网页，比如某杂志主页http://aem.asm.org/content/76/1.toc， 还有76/2.toc  76/3.toc 等等
我如果想获取http://aem.asm.org/content/76/1.toc 这个网页中，网页源代码<H4 class="cit-first-element cit-title-group">和</H4> 之间的内容（在这个网页中是该杂志文章的title，如<H4 class="cit-first-element cit-title-group">Contribution of Microbial Activity to Carbon Chemistry in Clouds </H4>）
将<H4 class="cit-first-element cit-title-group">和</H4> 中的文本内容Contribution of Microbial Activity to Carbon Chemistry in Clouds 全部保存下来。（可能有多处）
同理继续获取
http://aem.asm.org/content/76/2.toc
http://aem.asm.org/content/76/3.toc
………………


请问大家该如何实现呢？谢谢
这些网址我可以事先放在一个txt文档中。最后结果保存到一个txt文档就行。

sxw

1. type test.txt|geturls

复制代码

或使用正则表达式提取

super1129

或使用正则表达式提取
sxw 发表于 2011-12-11 17:51

请问下type test.txt|geturls  这个批处理中，
筛选条件在哪里呢？ 我要找这两个之间的内容 <H4 class="cit-first-element cit-title-group">   和  </H4>
如何用你放到你上面的语句中去？谢谢


wget、curl、sed  是不是都可以实现，哪个效率更高呢？（如果网页比较多的话）
能否推荐一个，写出代码？谢谢

test.txt中有
http://aem.asm.org/content/76/1.toc
http://aem.asm.org/content/76/2.toc
http://aem.asm.org/content/76/3.toc

要找到网页源代码中<H4 class="cit-first-element cit-title-group">   和  </H4> 之间的文本内容。并保存到abc.txt

CrLf

下载的部分就不写了，这是提取标题的部分：

1. @echo off
   
2. (for /f "delims=" %%a in (1.txt) do (
   
3.    set "str=%%acit-first-element cit-title-group.=."
   
4.    setlocal enabledelayedexpansion
   
5.    for /f "tokens=2,3delims==<>" %%c in (
   
6.       "!str:*cit-first-element cit-title-group=!"
   
7.    ) do endlocal&if /i %%d==/h4 echo;%%~c
   
8. ))>abc.txt
   
9. pause

复制代码

super1129

下载的部分就不写了，这是提取标题的部分：
CrLf 发表于 2011-12-11 18:41

    请问是不是用 wget -P -i "url.txt"  下载？
下载后文件名是不是自动命名的，能否规定为1,2,3， 。。。  或者下载到一个abc.txt中？  谢谢

sxw

回复 3# super1129


    把你的网页内容保存到test.txt中，type test.txt通过管道将结果传递给geturls.exe
  你使用geturls /?查看帮助，很简单。


下载的话可以用wget 支持断点续传，curl也可以。

正则表达式可以使用Perl。