从字符串中剥离 HTML答案

【问题标题】：Stripping HTML From A String从字符串中剥离 HTML
【发布时间】：2012-09-30 00:32:30
【问题描述】：

我尝试了很多方法，但似乎都没有正常工作。我有一个 Access DB 并且正在用 VBA 编写代码。我有一个 HTML 源代码字符串，我有兴趣从中剥离所有 HTML 代码和标签，这样我就只有纯文本字符串，没有留下 html 或标签。最好的方法是什么？

谢谢

【问题讨论】：

标签： html vba ms-access

【解决方案1】：

一种对不良标记尽可能有弹性的方法；

with createobject("htmlfile")
    .open
    .write "<p>foo <i>bar</i> <u class='farp'>argle </zzzz> hello </p>"
    .close
    msgbox "text=" & .body.outerText
end with

【讨论】：

+1 好主意，只需删除特殊字符即可
它也应该翻译实体 & -> &
哦，是的，我可以发誓它没有；）
添加对“Microsoft HTML 对象库”的引用以获取 Intellisense 和早期绑定（参见示例 below）。

【解决方案2】：

    Function StripHTML(cell As Range) As String  
 Dim RegEx As Object  
 Set RegEx = CreateObject("vbscript.regexp")  

 Dim sInput As String  
 Dim sOut As String  
 sInput = cell.Text  

 With RegEx  
   .Global = True  
   .IgnoreCase = True  
   .MultiLine = True  
.Pattern = "<[^>]+>" 'Regular Expression for HTML Tags.  
 End With  

 sOut = RegEx.Replace(sInput, "")  
 StripHTML = sOut  
 Set RegEx = Nothing  
End Function

这可能对你有帮助，祝你好运。

【讨论】：

【解决方案3】：

这取决于 html 结构的复杂程度以及您想要从中获取多少数据。

根据复杂性，您可能会使用正则表达式，但对于复杂的标记，尝试使用正则表达式解析来自 html 的数据就像尝试用叉子吃汤一样。

您可以使用 htmFile 对象将平面文件转换为您可以与之交互的对象，例如：

Function ParseATable(url As String) As Variant 

    Dim htm As Object, table As Object 
    Dim data() As String, x As Long, y As Long 
    Set htm = CreateObject("HTMLfile") 
    With CreateObject("MSXML2.XMLHTTP") 
        .Open "GET", url, False 
        .send 
        htm.body.innerhtml = .responsetext 
    End With 

    With htm 
        Set table = .getelementsbytagname("table")(0) 
        Redim data(1 To table.Rows.Length, 1 To 10) 
        For x = 0 To table.Rows.Length - 1 
            For y = 0 To table.Rows(x).Cells.Length - 1 
                data(x + 1, y + 1) = table.Rows(x).Cells(y).InnerText 
            Next y 
        Next x 

        ParseATable = data 

    End With 
End Function

【讨论】：

+1 值得单独使用 使用正则表达式解析来自 html 的数据就像尝试用叉子吃汤

【解决方案4】：

使用早期绑定：

Public Function GetText(inputHtml As String) As String
With New HTMLDocument
    .Open
    .write "<p>foo <i>bar</i> <u class='farp'>argle </zzzz> hello </p>"
    .Close
   StripHtml = .body.outerText
End With
End Function

【讨论】：

【解决方案5】：

对上述之一的改进...它找到引号和换行符并将它们替换为非 HTML 等效项。此外，原始函数在嵌入式 UNC 引用方面存在问题（即：）。由于结尾，它将删除整个 UNC 字符串。此函数修复了这个问题，以便 UNC 正确插入到字符串中：

Function StripHTML(strString As String) As String
 Dim RegEx As Object
 Set RegEx = CreateObject("vbscript.regexp")

 Dim sInput As String
 Dim sOut As String
 sInput = Replace(strString, "<\\", "\\")

 With RegEx
   .Global = True
   .IgnoreCase = True
   .MultiLine = True
.Pattern = "<[^>]+>" 'Regular Expression for HTML Tags.
 End With

 sOut = RegEx.Replace(sInput, "")
 StripHTML = Replace(Replace(Replace(sOut, "&nbsp;", vbCrLf, 1, -    1), "&quot;", "'", 1, -1), "\\", "<\\", 1, -1)
 Set RegEx = Nothing
End Function

【讨论】：

【解决方案6】：

我找到了一个非常简单的解决方案。由于系统限制和共享驱动器权限，我目前运行一个访问数据库并使用 excel 表单来更新系统。当我从 Access 调用数据时，我使用： Plaintext(YourStringHere) 这将删除所有 html 部分，只留下文本。

希望这行得通。

【讨论】：

这里“明文”的定义是什么？
StripHTML = 纯文本（StingToConvert）