[已解决]如何使用 gawk.exe 获取html文件中的字符串？

hnfeng

回复  hnfeng

如果改用 find.exe 匹配utf-8网页中的汉字数据无误，可用以下代码一气呵成...
aloha20200628 发表于 2024-7-9 09:28

    谢谢谢谢

qixiaobin0715

楼主未直接提供html文件，只是摘写了片段，不知实际内容如何。按照顶楼文件片段分析，如果要使用findstr命令，可提取行首带有“<td”标签的行，来过滤掉无用的内容，而不需要考虑的太复杂。像这样使用：

1. findstr /b "<td" 1.html

复制代码

hnfeng

回复 32# qixiaobin0715


上面多位网友的代码都能实现，目前使用了18楼的代码（主要因为我能看懂）

我把一个html文件传到度盘吧，有想继续研究的请看看（7天有效期）

1. https://pan.baidu.com/s/1_tWWy4L-C8qftA0T3qwGGQ?pwd=1234

复制代码

hnfeng

回复 20# aloha20200628

文件发这里了

1. https://pan.baidu.com/s/1_tWWy4L-C8qftA0T3qwGGQ?pwd=1234

复制代码

aloha20200628

回复 34# hnfeng

将29楼代码存为utf-8编码脚本，用楼主最新提供的 ‘3_2.5_activity_H2J_Log_Page1.html’ （更名为代码中设定的 1.html）测试顺利通过

hnfeng

回复  hnfeng

将29楼代码存为utf-8编码脚本，用楼主最新提供的 ‘3_2.5_activity_H2J_Log_Page1.html’ ...
aloha20200628 发表于 2024-7-9 17:34

    是的是的，上面多位朋友的代码都可以顺利通过

newswan

powershell

1. 
   
2. 
   
3. $file = ".\3_2.5_activity_H2J_Log_Page1.html"
   
4. 
   
5. $Hash = [Ordered]@{ "任务名称" = "" ; "开始检查" = "" ; "检查完毕" = "" ; "同步任务开始时间" = "" ; "同步任务结束时间" = "" }
   
6. 
   
7. $arr = (( Get-Content -Path $file -Encoding UTF8 -Raw ) -replace "<[^>]*>" -replace "`r" ) -split "`n"
   
8. 
   
9. for ( $i=0 ; $i -lt $arr.Count ; $i++ ) {
   
10.         if ( $arr[$i] -in $hash.Keys ) {
    
11.                 $hash[$arr[$i]] = $arr[$i+1]
    
12.         }
    
13. }
    
14. 
    
15. $Hash
    
16. 
    

复制代码

aloha20200628

跟跑本帖至此，可对findstr/find匹配 ‘双字节数据如中文数据’ 的能力给一个小结，针对楼主所给网页测试文件的实测结果》
一。若网页文件是系统默认编码（936或gb2312或记事本ansi）
      findstr 用 /c:"..." 或 /lc:"..." 或 /rc:"..." 或 /ic:"..." 参数均可成功匹配测试文件中的5个中文关键词
二。若网页文件是utf-8编码
      findstr 用 /c:"..." 或 /lc:"..." 或 /rc:"..." 或 /ic:"..." 参数均未成功匹配测试文件中的5个中文关键词
      改用 find 即可成功匹配测试文件中的5个中文关键词（备注：find不支持正则表达式）
三。无论文本文件是系统默认编码还是utf-8编码，cmd窗口采用936或65001码页均可正确显示 ‘其中的ascii字符’，故无须专门切换相应的码页，findstr 即可成功匹配 ‘文件中的ascii字符数据’...

newswan

跟跑本帖至此，可对findstr/find匹配 ‘双字节数据如中文数据’ 的能力给一个小结，针对楼主所给网页测试 ...
aloha20200628 发表于 2024-7-9 19:47

总之，放弃这些没有前途的，改 powershell

WHY

Test.bat，脚本保存为ANSI编码

1. @if(0)==(0) echo off
   
2. cscript //nologo //e:jscript "%~f0" 1.html > 1.txt
   
3. pause & exit
   
4. @end
   
5. 
   
6. var srcFile = WSH.Arguments(0);
   
7. var obj = {任务名称:'', 同步任务开始时间:'', 开始检查:'', 检查完毕:'', 同步任务结束时间:''}
   
8. 
   
9. var getText = function(file) {
   
10.     var ado = new ActiveXObject('ADODB.Stream');
    
11.     ado.Mode = 3;
    
12.     ado.Type = 2;
    
13.     ado.Charset = 'utf-8';
    
14.     ado.Open();
    
15.     ado.LoadFromFile(file);
    
16.     var str = ado.ReadText(-1);
    
17.     ado.Close();
    
18.     return str;
    
19. }
    
20. 
    
21. var html = new ActiveXObject('htmlfile');
    
22. html.write(getText(srcFile));
    
23. var node = html.getElementsByTagName('td')
    
24. 
    
25. for(var i=0; i<node.length-1; i++){
    
26.     var s = node[i].innerText;
    
27.     if (obj.hasOwnProperty(s)) obj[s] = node[i+1].innerText.replace(/\(.*$/, '');
    
28. }
    
29. 
    
30. for (var k in obj) WSH.Echo(obj[k]);

复制代码

WHY

回复 39# newswan


    个人观点：
你认为"有前途"的，其他人或许认为就是辣鸡。
不管啥方法，只要能解决实际问题，没有绝对好坏之分。

hfxiang

回复 1# hnfeng
用gawk的解决方法如下：
下载特定版本（mbcs,3.1.7） （ http://bcn.bathome.net/tool/mbcs,3.1.7/gawk.exe ）

一、在命令行下执行：

1. 
   
2. gawk -W ctype=UTF8 "/(\344\273\273\345\212\241\345\220\215\347\247\260)|(\345\220\214\346\255\245\344\273\273\345\212\241\345\274\200\345\247\213\346\227\266\351\227\264)|(\345\274\200\345\247\213\346\243\200\346\237\245)|(\346\243\200\346\237\245\345\256\214\346\257\225)|(\345\220\214\346\255\245\344\273\273\345\212\241\347\273\223\346\235\237\346\227\266\351\227\264)/{A=1;next}A==1{A=0;print substr(gensub(/^<.+>([^<>]+)<.+>$/,"\\1","1",$0),1,19)}" 3_2.5_activity_H2J_Log_Page1.html>out.txt
   

复制代码

二、将以下文本以utf-8编码保存为a.awk

1. 
   
2. /(任务名称)|(同步任务开始时间)|(开始检查)|(检查完毕)|(同步任务结束时间)/ {
   
3.         A = 1
   
4.         next
   
5. }
   
6. A == 1 {
   
7.         A = 0
   
8.         print substr(gensub(/^<.+>([^<>]+)<.+>$/, "\\1", "1", $0), 1, 19)
   
9. }
   

复制代码

然后在命行下执行：gawk -W ctype=UTF8 -fa.awk 3_2.5_activity_H2J_Log_Page1.html>out.txt