[新手上路]批处理新手入门导读[视频教程]批处理基础视频教程[视频教程]VBS基础视频教程[批处理精品]批处理版照片整理器
[批处理精品]纯批处理备份&还原驱动[批处理精品]CMD命令50条不能说的秘密[在线下载]第三方命令行工具[在线帮助]VBScript / JScript 在线参考
返回列表 发帖
dimo

Rank: 1

帖子
44 
积分
74 
技术
2  
捐助
0  
注册时间
2021-9-11 
1楼 跳转到 » 倒序看帖
打印
tT
发表于 2022-12-27 21:54 | 只看该作者

[文本处理] [已解决]批处理如何从html格式(接收到的邮件)中读取数据

本帖最后由 dimo 于 2022-12-30 19:31 编辑

通过第三方批处理getmail可以获取到邮箱里的邮件。获取后经其自身解码，得到一个Extract*.out文件，大致看一下其格式应该为html的写法，并且内容只分一行。
  1. <div dir="auto">here is the content</div>
复制代码
显然我邮件发送的原内容为：
here is the content

现在要提取出其中的原内容并且将所有内容合并到一行。问题在于，邮箱不一定每次都接收到这样简单的文件。例如内容当中出现换行：
  1. <div dir="auto">abababababababab<br /><br />abababababababab<br /><br /></div>
复制代码
有时内容含特殊字符，解码之后也无法正常显示（某些字符）：
i wanna get these words # $ % & * @ ? !
  1. <div dir="auto">i wanna get these words # $ % &amp; * &#64; ? !</div>
复制代码
有时发送的内容经过复制粘贴，不小心留下了其他信息：
  1. <div dir="auto">hey get it <span style="font-family:sans-serif">hey get it </span><br style="font-family:sans-serif" /><span style="font-family:sans-serif">hey get it </span><span style="font-family:sans-serif">hey get it </span><br style="font-family:sans-serif" /></div>
复制代码
显然需要忽略<>标签里的所有内容才能得到原内容，并且需要还原未正常显示的符号。
可能要用到第三方了……
1

评分人数

    • Batcher: 感谢给帖子标题标注[已解决]字样PB + 2
收藏 分享

idwma

Rank: 6Rank: 6

帖子
986 
积分
1724 
技术
243  
捐助
0  
注册时间
2014-6-17 
2楼
发表于 2022-12-27 22:59 | 只看该作者 
  1. powershell "([xml](gc Extract.out)).InnerText"
复制代码

TOP

czjt1234

Rank: 6Rank: 6

帖子
1058 
积分
1559 
技术
112  
捐助
0  
注册时间
2010-4-30 
3楼
发表于 2022-12-28 10:01 | 只看该作者
回复 2# idwma


   赞一个

QQ 20147578

TOP

Batcher

Rank: 12Rank: 12Rank: 12

帖子
14935 
积分
46142 
技术
857  
捐助
745  
注册时间
2008-6-9 
4楼
发表于 2022-12-28 11:02 | 只看该作者
回复 1# dimo


可以试试这几个第三方命令行工具
http://bcn.bathome.net/s/tool/index.html?key=html2text
http://bcn.bathome.net/s/tool/index.html?key=HTML2TXT
http://bcn.bathome.net/s/tool/index.html?key=dehtml
http://bcn.bathome.net/s/tool/index.html?key=HtoX32c
我帮忙写的代码不需要付钱。如果一定要给，请在微信群或QQ群发给大家吧。
【微信公众号、微信群、QQ群】http://bbs.bathome.net/thread-3473-1-1.html
【支持批处理之家，加入VIP会员！】http://bbs.bathome.net/thread-67716-1-1.html

TOP

dimo

Rank: 1

帖子
44 
积分
74 
技术
2  
捐助
0  
注册时间
2021-9-11 
5楼
发表于 2022-12-30 19:02 | 只看该作者
本帖最后由 dimo 于 2022-12-30 19:47 编辑

回复 2# idwma

不过2楼这个好像不太好用……是我用错了？
回复 4# Batcher
HTML2TXT好用，可以正确解析并且支持中文，虽然帮助界面会乱码。
dehtml也可以解析，不支持中文。
我还试了html2text，那个已经用不了了。一调用就会在后台开n多进程，最后跳出一个应用程序无法正常启动。

TOP

Batcher

Rank: 12Rank: 12Rank: 12

帖子
14935 
积分
46142 
技术
857  
捐助
745  
注册时间
2008-6-9 
6楼
发表于 2022-12-30 21:28 | 只看该作者
回复 5# dimo


请把你测试2楼代码使用的数据和结果发出来看看，具体是怎么个好像。
如果需要上传文件，可以用阿里云盘或百度网盘。

如果需要上传截图，可以找个图床，例如：
http://bbs.bathome.net/thread-60985-1-1.html
我帮忙写的代码不需要付钱。如果一定要给，请在微信群或QQ群发给大家吧。
【微信公众号、微信群、QQ群】http://bbs.bathome.net/thread-3473-1-1.html
【支持批处理之家，加入VIP会员！】http://bbs.bathome.net/thread-67716-1-1.html

TOP

WHY

Rank: 6Rank: 6

帖子
1482 
积分
3266 
技术
567  
捐助
0  
注册时间
2015-7-19 
7楼
发表于 2022-12-31 10:35 | 只看该作者 
  1. @if(0)==(0) echo off

  2. type Extract.out | cscript //nologo //e:jscript "%~f0"

  3. pause & exit

  4. @end

  5. 

  6. var html = new ActiveXObject('htmlfile');

  7. html.write(WSH.StdIn.ReadAll());

  8. var s = html.getElementsByTagName('div')[0].innerText;

  9. WSH.Echo(s);
复制代码

TOP

dimo

Rank: 1

帖子
44 
积分
74 
技术
2  
捐助
0  
注册时间
2021-9-11 
8楼
发表于 2022-12-31 13:41 | 只看该作者
本帖最后由 dimo 于 2022-12-31 14:46 编辑

回复 2# idwma
回复 6# Batcher
我试过保存在批处理文件里运行，在cmd窗口中运行，都不好用。
没有回显。什么都没有。 下面这里有一张图片：

还有就是，链接的那两个图床都是网页无法打开。

TOP

dimo

Rank: 1

帖子
44 
积分
74 
技术
2  
捐助
0  
注册时间
2021-9-11 
9楼
发表于 2022-12-31 14:45 | 只看该作者
回复 7# WHY
大多数情况下可用。但是在处理原帖最后一串字符时出问题。得到的回显：
  1. hey get it聽hey get it聽

  2. hey get it聽hey get it聽

  3. 请按任意键继续. . .
复制代码
如果删去it后面的空格则不会出现乱码。（所给字符串的空格和电脑输入的空格有不同）

TOP

idwma

Rank: 6Rank: 6

帖子
986 
积分
1724 
技术
243  
捐助
0  
注册时间
2014-6-17 
10楼
发表于 2022-12-31 16:00 | 只看该作者
回复 8# dimo 
  1. powershell "([xml](gc Extract.out)).FirstChild.InnerText"
复制代码
1

评分人数

TOP

WHY

Rank: 6Rank: 6

帖子
1482 
积分
3266 
技术
567  
捐助
0  
注册时间
2015-7-19 
11楼
发表于 2023-1-1 16:48 | 只看该作者
回复 9# dimo


    你应该提供一个真实的样本以便测试
1楼那么长的描述，唯独不见样本。
那个空格是UTF-8编码中的一种空格，名称：Non-breaking space，编码：0xC2A0，与常规空格（\x20）不同。

cmd显示乱码不要紧，重定向到文件就行了。就看你会不会加重定向。

如果嫌显示实在是扎眼，可以这样：
  1. @if(0)==(0) echo off

  2. cscript //nologo //e:jscript "%~f0"

  3. pause & exit

  4. @end

  5. 

  6. function getText(file, charset){

  7.     var ado = new ActiveXObject('ADODB.Stream');

  8.     ado.Type = 2;

  9.     ado.CharSet = charset;

  10.     ado.Open();

  11.     ado.LoadFromFile(file);

  12.     var text = ado.ReadText(-1);

  13.     ado.Close();

  14.     return text;

  15. }

  16. 

  17. var text = getText('Extract.out', 'utf-8');

  18. var html = new ActiveXObject('htmlfile');

  19. html.write(text);

  20. var s = html.getElementsByTagName('div')[0].innerText;

  21. WSH.Echo(s);
复制代码
1

评分人数

TOP

dimo

Rank: 1

帖子
44 
积分
74 
技术
2  
捐助
0  
注册时间
2021-9-11 
12楼
发表于 2023-1-2 13:25 | 只看该作者
本帖最后由 dimo 于 2023-2-8 01:31 编辑

回复 10# idwma
经过多次可靠性测试，这个是最优解法

TOP

dimo

Rank: 1

帖子
44 
积分
74 
技术
2  
捐助
0  
注册时间
2021-9-11 
13楼
发表于 2023-1-2 13:39 | 只看该作者
回复 11# WHY
1楼我也说了，Extract.out文件就只一行。新建一个txt把我提供的内容复制进去（保存确实是用的utf8），就和实际得到的样本是一模一样的。
不过我测试是没有问题了。当初这个输出的内容还要用for处理什么的，所以不能有乱码。现在已经能运行了。

TOP

返回列表