【已解决】批处理如何提取网页指定内容？

447219071

因为下载的网页http://www.bathome.net/thread-37147-1-1.html文件中有各种大量多余的代码，如何只提取指定字符之间的内容，关键字符 cpulink

1. @echo off
   
2. wget "http://www.bathome.net/thread-37147-1-1.html" -q -O a.txt
   
3. 提取批处理不会*******
   
4. 
   
5. 最终提取上面的网页内容，关键字符CPULINK，想要生成的a.txt文档结果为
   
6. http://v.qq.com/?chno=8888_139888
   
7. http://www.baidu.com/?1000
   
8. http://www.360.cn/?src=qq&ls=n4f12a8a094
   
9. http://www.1234.com/?kq10000

复制代码

下载后的部分网页如下：
That's how it is 后悔来得太晚 明天 You're gone Cause that's how it is <br />
&lt;cpulink&gt;<br />
http://v.qq.com/?chno=8888_139888<br />
http://www.baidu.com/?1000<br />
http://www.360.cn/?src=qq&amp;ls=n4f12a8a094<br />
http://www.1234.com/?kq10000<br />
&lt;cpulink&gt;</td></tr></table>
</div>
我提供的思路是WGET下载网页后，查找CPULINK字符，如有就从这个CPULINK字符的下一行开始提取，直到遇到下一个CPULINK字符则提前一行终止截取，截取后删除断行符<br />  还有空格符amp; 管理员提供的及二楼高手提供的出错

jyswjjgdwtdtj

截取那几个字符之间的内容？

447219071

回复 2# jyswjjgdwtdtj


  原下载的网页已完善关键字了

jyswjjgdwtdtj

回复 3# 447219071


    ……我学了一辈子中文 愣是没看懂你想表达什么

447219071

回复 4# jyswjjgdwtdtj

下载网页，然后处理网页内的指定字符间的内容，但生成的网页中内容中连提取的内容中都含有各种网页代码符号，如空格符，断行符等

Batcher

回复 1# 447219071


试试这几个：
http://bcn.bathome.net/s/tool/index.html?key=HtoX32c
http://bcn.bathome.net/s/tool/index.html?key=html2text
http://bcn.bathome.net/s/tool/index.html?key=HTML2TXT

jyswjjgdwtdtj

哦 好像大概明白了

1. 
   
2. 'vbscript code
   
3. set http=createobject("msxml2.xmlhttp")
   
4. function gethtml(url)
   
5. http.open "GET",url,false
   
6. http.send
   
7. gethtml=http.responsetext
   
8. end function
   
9. set h=createobject("htmlfile")
   
10. h.write gethtml("http://www.bathome.net/thread-37147-1-1.html")
    
11. t=h.body.innerText
    
12. set re=new regexp
    
13. re.pattern=".*<cpulink>(.*)</cpulink>.*"
    
14. msgbox re.execute(t)(0).submatches(0)
    

复制代码

一堆标签好办 一个innerText解决

447219071

回复 7# jyswjjgdwtdtj


    运行此VBS提示第13行出错

jyswjjgdwtdtj

回复 8# 447219071


    啊 论坛是gbk的所以传回来的数据是一坨乱码
说说你实际需求 编码得要adodb.stream倒来倒去

447219071

回复 9# jyswjjgdwtdtj


    的部分网页如下：
That's how it is 后悔来得太晚 明天 You're gone Cause that's how it is <br />
&lt;cpulink&gt;<br />
http://v.qq.com/?chno=8888_139888<br />
http://www.baidu.com/?1000<br />
http://www.360.cn/?src=qq&amp;ls=n4f12a8a094<br />
http://www.1234.com/?kq10000<br />
&lt;cpulink&gt;</td></tr></table>
</div>
我提供的思路是WGET下载网页后，查找CPULINK字符，如有就从这个CPULINK字符的下一行开始提取，直到遇到下一个CPULINK字符则提前一行终止截取，截取后删除断行符<br />  还有空格符amp; 管理员提供的及二楼高手提供的出错

应该批处理可以解决

jyswjjgdwtdtj

回复 10# 447219071


    各种转义，br可烦了 字符串处理比较扯淡
用ps ps肯定有gbk2utf8的

Batcher

回复 1# 447219071


请参考Q-04把bat文件保存为ANSI编码：
https://mp.weixin.qq.com/s/Koje4FufWxWBs7ioDy_LJA

1. @echo off
   
2. cd /d "%~dp0"
   
3. setlocal enabledelayedexpansion
   
4. wget "http://www.bathome.net/thread-37147-1-1.html" -q -O "a.txt"
   
5. for /f "tokens=1* delims=:" %%i in ('type "a.txt" ^| findstr /n "cpulink"') do (
   
6.     call :GetText %%i
   
7.     exit /b
   
8. )
   
9. 
   
10. :GetText
    
11. (for /f "skip=%1 delims=" %%i in ('type "a.txt"') do (
    
12.     set "ThisRow=%%i"
    
13.     if "!ThisRow:cpulink=!" equ "!ThisRow!" (
    
14.         set "ThisRow=!ThisRow:<br />=!"
    
15.         set "ThisRow=!ThisRow:amp;=!"
    
16.         echo,!ThisRow!
    
17.     ) else (
    
18.         exit /b
    
19.     )
    
20. ))>"b.txt"

复制代码