vbscript - 提取 HTML 标签之间的文本

Question

我有很多 HTML 文件需要从中提取文本。如果全部在一行上，我可以很容易地做到这一点，但是如果标签环绕或在多行上，我无法弄清楚如何做到这一点。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。我想要的区域总是以“MySection”开头，然后以 </section>结尾.我想最终得到的是这样的:

Some text here  another line here  last line of text.

我更喜欢 vbscript 或命令行选项(sed？)之类的东西，但我不确定从哪里开始。有什么帮助吗？

Answer 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

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

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

不过，您可以改用正则表达式:

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