[文本处理] BAT实现网页内容整理

cjiabing

想从百度贴吧复制点内容，结果发现有好多页，一页一页地复制也麻烦，于是鼓捣下帖子下载和内容整理。下载很简单，关键是整理帖子内容麻烦。想用gawk，无奈不熟悉。只好继续折磨findstr和for。现在问题：
1.各楼层发帖时间包含在其他内容里面，截取数据较长。这个解决也没有什么，只是麻烦点。——基本实现！
2.楼层里面的回复内容是纯粹的文字，不包含网页代码，不好提取。——等待！。。。
3.恢复分行分段。这个也不难，替换<br>即可。——已实现

求助于给位，不管何种方法，只要能实现以上目标即可！注意先后顺序！
以下是百度贴吧帖子内容提取工具.bat，不考虑回复和发帖时间，基本上满足使用。

 
@echo off&setlocal enabledelayedexpansion
echo 提取百度贴吧帖子主楼内容，不包括回复和时间。
echo 输入百度贴吧帖子链接地址下载所有页面。如：http://tieba.baidu.com/p/1111111111
set /p "input=请输入："
echo Start . . .
for /f %%h in ('copy /z %0 nul') do set crlf=%%h^

for /f "tokens=4,6 delims=/?=" %%a in ("%input%") do (
    if "%%b"=="" (echo ID：%%a ，第 1 页) else echo ID：%%a ，第 %%b 页
    set id=%%a
    cd.>!id!.txt
    wget.exe -q "%input%" -O !id!.txt
)
for /f "tokens=2 delims=<>" %%a in ('findstr /i "<title>" !id!.txt') do set "fn=%%a"
set num=1
for %%h in ("!crlf!") do (
for /f "tokens=20 delims=:," %%a in ('findstr /i "all_page_num:" !id!.txt') do (
    echo 文件：!fn!，共 %%a 页
    for /l %%i in (2,1,%%a) do (
        set /a num+=1
        echo 下载：!fn!，第 !num! 页
        cd.>"_!fn!_!num!.txt"&cd.>"!fn!_!num!.txt"
        wget.exe -q "http://tieba.baidu.com/p/!id!?pn=!num!" -O "_!fn!_!num!.txt"
        for /f "tokens=4* delims=<>" %%o in ('findstr /i "post_content_" "_!fn!_!num!.txt"') do (
            if /i "%%o" neq "br" (set "str=%%o %%p") else set "str=%%p"
            set str=!str:^<br^>=%%~h!
            set str=!str:^<br/^>=%%~h!
            set str=!str:br^>=%%~h!
            set str=!str:^<br=%%~h!
            set str=!str:^</div^>=!
            set str=!str:/div^>=!
            set str=!str:^</cc^>=!
            echo;!str!
            echo;
        )>>"!fn!_!num!.txt"
    )&&del /q "_!fn!_!num!.txt"
))
cd.>"!fn!_1.txt"
for %%h in ("!crlf!") do (
        for /f "tokens=4* delims=<>" %%o in ('findstr /i "post_content_" "!id!.txt"') do (
            if /i "%%o" neq "br" (set "str=%%o %%p") else set "str=%%p"
            set str=!str:^<br^>=%%~h!
            set str=!str:^<br/^>=%%~h!
            set str=!str:br^>=%%~h!
            set str=!str:^<br=%%~h!
            set str=!str:^</div^>=!
            set str=!str:/div^>=!
            set str=!str:^</cc^>=!
            echo;!str!
            echo;
        )>>"!fn!_1.txt"
)
del /q "!id!.txt"
start "" "!fn!_1.txt"
echo Success.
exit
复制代码

参考CrLf 的旧帖，修改下换行符的获取方式就可以了，不打算精简，能用就行。
http://www.bathome.net/viewthread.php?tid=19751

下一步提取发帖时间和回复帖内容。

cjiabing

大家可以用“批处理贴吧”的这个帖子为例（哈哈，这样做也蛮搞笑的啊！~！！~）：
【教程】批处理基础 http://tieba.baidu.com/p/1002111656
用上面提供的代码下载页面，然后把帖子内容、回复、时间提取出来，按顺序哦！

terse

允许三方的话 貌似 SED 可以

CrLf

替换换行符要像这样：

set str=!str:^<br/^>=^

!
复制代码

terse

回复提取 还是有空的情况

@echo off&setlocal enabledelayedexpansion
set "url=http://tieba.baidu.com/p/1002111656"
for /f "tokens=*" %%i in ('wget.exe -q -O- !url! ^| sed -nr "/all_page_num:/s#.*all_page_num:([0-9+]).*#\1#p"') do (
    for /l %%a in (1 1 %%i) do (
        echo 下载 第 %%a 页
        wget.exe -q -O- "!url!?pn=%%a"|sed -nr "{s/.*\x22date\x22:\x22([^\x22]*).*/发帖时间\1/p;s/.*_post_content\x22>(.*)<.*/\1/;s/<br>/\n/g;s/&gt;/>/g;s/&lt;/</g;s/\&amp;/\&/g;s/&nbsp;|<img class=\x22.*>|<a href=\x22.*>//g;s#</div></cc>##gp};/lzl_content_main/{n;s/<br>/\n/g;s/&gt;/>/g;s/&lt;/</g;s/\&amp;/\&/g;s#^[\t ]*##;s#</span>##p};{s#.*lzl_time.*>([^<>]*)<.*#回复时间：\1#p}" >"page_num_%%a.txt"
    )
)
pause
复制代码

cjiabing

回复 4# CrLf


    我的写法和你的一样呢，独立出来运行是可以的，放在其他FOR里面就失效了！@

cjiabing

回复 5# terse


    刚刚试了下，只有一个空的page_num_1.txt，没成功！~你再试试！

terse

回复  terse
    刚刚试了下，只有一个空的page_num_1.txt，没成功！~你再试试！
cjiabing 发表于 2013-5-26 22:00

什么情况啊 循环可以过吗？
我这边测试 可以的
检查一下 提取回复内容 没有处理特殊字符 修正下

CrLf

回复 6# cjiabing


    ! 符号是否位于行首

cjiabing

回复 8# terse


    还是不得，我换了地址也不得，还是空白的！~

cjiabing

回复 9# CrLf


    位于行首也没得，我重新修改下！~

terse

大多数 还是可处理的

@echo off&setlocal enabledelayedexpansion
set "url=http://tieba.baidu.com/p/1002111656"
wget.exe -q -O "url.txt" "%url%"
for /f "delims=" %%a in ('findstr /i "all_page_num:" url.txt') do (
    set "str=%%a"
    for /f "delims=," %%i in ("!str:*all_page_num:=!") do (
        echo 共 %%i 页
        for /l %%j in (1 1 %%i) do (
            echo 下载 第 %%j 页 到 page_num_%%j.txt
            (for /f "tokens=*" %%b in ('wget.exe -q -O- "!url!?pn=%%j"') do (
                if "%%b" neq "" (
                   set str=%%b
                   if "!str:"date":=!" neq "%%b" (
                      for /f "delims=," %%c in ("!str:*"date":=!") do echo 发帖时间：%%~c
                   ) else if "!str:_post_content=!" neq "%%b" (
                          for /f "tokens=2* delims=>" %%c in ("%%b") do (
                              if "%%d" neq "" set "s=%%d"
                          )
                          ) else if defined _main (
                                 if "!str:</span>=!" neq "%%b" (
                                    set "s=!str:</span>=!"
                                    set "_main="
                                 )
                          ) else if "!str:lzl_content_main=!" neq "%%b" (
                                 set _main=%%b
                                ) else if "!str:lzl_time=!" neq "%%b" (
                                       for /f "tokens=2 delims=<>" %%c in ("%%b") do echo 回复时间：%%c
                                )
                    if defined s (
                       set "s=!s:&nbsp;=!"
                       set "s=!s:&amp;=&!"
                       set "s=!s:&gt;=>!"
                       set "s=!s:&lt;=<!"
                       set s=!s:^<br^>=^

!
                       set "s=!s:</div></cc><br/>=!"
                       echo !s!&set "s="
                    )
                )
            ))>tem_.t
            more tem_.t >page_num_%%j.txt
        )
    )
)
del tem_.t
pause
复制代码

cjiabing

帮你改了输入、文件名、调整了发帖和回复时间以及其他一些小问题，你看看怎么样！~

@echo off&setlocal enabledelayedexpansion
Rem 可完整地提取帖子所有内容，包括各楼层跟帖内容和回复内容，以及发帖、回帖时间。
set /p "url=请输入帖子地址："
wget.exe -q -O "url.txt" "%url%"
for /f "tokens=2 delims=<>" %%a in ('findstr /i "<title>" "url.txt"') do set "fn=%%a"
for /f "delims=" %%a in ('findstr /i "all_page_num:" url.txt') do (
    set "str=%%a"
    for /f "delims=," %%i in ("!str:*all_page_num:=!") do (
        echo 共 %%i 页
        for /l %%j in (1 1 %%i) do (
            echo 下载 第 %%j 页 到 !fn!_%%j.txt
            (for /f "tokens=*" %%b in ('wget.exe -q -O- "!url!?pn=%%j"') do (
                if "%%b" neq "" (
                   set str=%%b
                   if "!str:"date":=!" neq "%%b" (
                      for /f "delims=," %%c in ("!str:*"date":=!") do echo;&echo 发帖时间：%%~c
                   ) else if "!str:_post_content=!" neq "%%b" (
                          for /f "tokens=2* delims=>" %%c in ("%%b") do (
                              if "%%d" neq "" set "s=%%d"
                          )
                          ) else if defined _main (
                                 if "!str:</span>=!" neq "%%b" (
                                    set "s=!str:</span>=!"
                                    set "_main="
                                 )
                          ) else if "!str:lzl_content_main=!" neq "%%b" (
                                 set _main=%%b
                                ) else if "!str:lzl_time=!" neq "%%b" (
                                       for /f "tokens=2 delims=<>" %%c in ("%%b") do echo 回复时间：%%c
                                )
                    if defined s (
                       set "s=!s:&nbsp;=!"
                       set "s=!s:&amp;=&!"
                       set "s=!s:&gt;=>!"
                       set "s=!s:&lt;=<!"
                       set s=!s:^<br^>=^

!
                       set "s=!s:</div></cc><br/>=!"
                       echo;&echo !s!&set "s="
                    )
                )
            ))>tem_.t
            more tem_.t >!fn!_%%j.txt
        )
    )
)
del tem_.t,url.txt
start "" !fn!_1.txt
复制代码

terse

有表情图片链接有待处理 另也有字符编码的小问题
能处理大多数了

cjiabing

回复 14# terse


    呵呵，是啊，基本满足需要了！~再整整更完美！~