批处理之家 - Powered by Discuz! Board

标题: [文本处理] 【已解决】批处理如何提取网页指定内容？ [打印本页]

作者: 447219071 时间: 2023-5-28 09:06 标题: 【已解决】批处理如何提取网页指定内容？

本帖最后由 447219071 于 2023-5-31 10:59 编辑

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

@echo off
wget "http://www.bathome.net/thread-37147-1-1.html" -q -O a.txt
提取批处理不会*******

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
http://v.qq.com/?chno=8888_139888
http://www.baidu.com/?1000
http://www.360.cn/?src=qq&ls=n4f12a8a094
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 />
<cpulink><br />
http://v.qq.com/?chno=8888_139888<br />
http://www.baidu.com/?1000<br />
http://www.360.cn/?src=qq&ls=n4f12a8a094<br />
http://www.1234.com/?kq10000<br />
<cpulink></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

作者: jyswjjgdwtdtj 时间: 2023-5-28 09:24

截取那几个字符之间的内容？

作者: 447219071 时间: 2023-5-28 09:39

回复 2# jyswjjgdwtdtj

原下载的网页已完善关键字了

作者: jyswjjgdwtdtj 时间: 2023-5-28 09:45

回复 3# 447219071

……我学了一辈子中文愣是没看懂你想表达什么

作者: 447219071 时间: 2023-5-28 10:18

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

作者: Batcher 时间: 2023-5-28 12:05

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

作者: jyswjjgdwtdtj 时间: 2023-5-28 14:49

哦好像大概明白了

'vbscript code
set http=createobject("msxml2.xmlhttp")
function gethtml(url)
http.open "GET",url,false
http.send
gethtml=http.responsetext
end function
set h=createobject("htmlfile")
h.write gethtml("http://www.bathome.net/thread-37147-1-1.html")
t=h.body.innerText
set re=new regexp
re.pattern=".*<cpulink>(.*)</cpulink>.*"
msgbox re.execute(t)(0).submatches(0)
复制代码

一堆标签好办一个innerText解决

作者: 447219071 时间: 2023-5-28 18:11

回复 7# jyswjjgdwtdtj

运行此VBS提示第13行出错

作者: jyswjjgdwtdtj 时间: 2023-5-28 18:51

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

作者: 447219071 时间: 2023-5-28 19:47

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 />
<cpulink><br />
http://v.qq.com/?chno=8888_139888<br />
http://www.baidu.com/?1000<br />
http://www.360.cn/?src=qq&ls=n4f12a8a094<br />
http://www.1234.com/?kq10000<br />
<cpulink></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

作者: jyswjjgdwtdtj 时间: 2023-5-28 21:03

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

作者: Batcher 时间: 2023-5-28 23:30

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

@echo off
cd /d "%~dp0"
setlocal enabledelayedexpansion
wget "http://www.bathome.net/thread-37147-1-1.html" -q -O "a.txt"
for /f "tokens=1* delims=:" %%i in ('type "a.txt" ^| findstr /n "cpulink"') do (
    call :GetText %%i
    exit /b
)

:GetText
(for /f "skip=%1 delims=" %%i in ('type "a.txt"') do (
    set "ThisRow=%%i"
    if "!ThisRow:cpulink=!" equ "!ThisRow!" (
        set "ThisRow=!ThisRow:<br />=!"
        set "ThisRow=!ThisRow:amp;=!"
        echo,!ThisRow!
    ) else (
        exit /b
    )
))>"b.txt"
复制代码

欢迎光临批处理之家 (http://bbs.bathome.net/)