提取 HTML 标签之间的文本答案

【问题标题】：Extract text between HTML tags提取 HTML 标签之间的文本
【发布时间】：2013-05-18 21:39:31
【问题描述】：

我有许多需要从中提取文本的 HTML 文件。如果它都在一行上，我可以很容易地做到这一点，但如果标签环绕或在多行上，我不知道如何做到这一点。这就是我的意思：

<section id="MySection">
Some text here
another line here <br>
last line of text.
</section>

我不关心<br> 文本，除非它有助于环绕文本。我想要的区域始终以“MySection”开头，然后以</section> 结尾。我想结束的是这样的：

Some text here  another line here  last line of text.

我更喜欢 vbscript 或命令行选项（sed？），但我不知道从哪里开始。有什么帮助吗？

【问题讨论】：

标签： vbscript sed text-files command-line-tool

【解决方案1】：

通常您会为此使用 Internet Explorer COM 对象：

root = "C:\base\dir"

Set ie = CreateObject("InternetExplorer.Application")

For Each f In fso.GetFolder(root).Files
  ie.Navigate "file:///" & f.Path
  While ie.Busy : WScript.Sleep 100 : Wend

  text = ie.document.getElementById("MySection").innerText

  WScript.Echo Replace(text, vbNewLine, "")
Next

但是，在 IE 9 之前，<section> 标签不受支持，即使在 IE 9 中，COM 对象似乎也无法正确处理它，因为getElementById("MySection") 只返回开始标签：

>>> wsh.echo ie.document.getelementbyid("MySection").outerhtml
<SECTION id=MySection>

不过，您可以使用正则表达式：

root = "C:\base\dir"

Set fso = CreateObject("Scripting.FileSystemObject")

Set re1 = New RegExp
re1.Pattern = "<section id=""MySection"">([\s\S]*?)</section>"
re1.Global  = False
re2.IgnoreCase = True

Set re2 = New RegExp
re2.Pattern = "(<br>|\s)+"
re2.Global  = True
re2.IgnoreCase = True

For Each f In fso.GetFolder(root).Files
  html = fso.OpenTextFile(filename).ReadAll

  Set m = re1.Execute(html)
  If m.Count > 0 Then
    text = Trim(re2.Replace(m.SubMatches(0).Value, " "))
  End If

  WScript.Echo text
Next

【讨论】：

【解决方案2】：

这里是使用perl 和来自Mojolicious 框架的HTML 解析器的单线解决方案：

perl -MMojo::DOM -E '
    say Mojo::DOM->new( do { undef $/; <> } )->at( q|#MySection| )->text
' index.html

假设index.html具有以下内容：

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
</head>
<body id="portada">
<section id="MySection">
Some text here
another line here <br>
last line of text.
</section>
</body>
</html>

它产生：

Some text here another line here last line of text.

【讨论】：

+1 建议使用适当的解析器和整体优雅的解决方案。