批处理之家 - Powered by Discuz! Board

标题: [文本处理] [已解决]怎么用批处理提取网页的全部链接 [打印本页]

作者: hlzj88 时间: 2014-6-29 00:02 标题: [已解决]怎么用批处理提取网页的全部链接

本帖最后由 hlzj88 于 2014-6-29 17:22 编辑

最近在用批处理做小说下载整合bat，一般网页的提取已经解决，因为他们是一行一个链接。但想具有更好的提取整理功能，遇到类似这个地址的，不知道怎么提取了。
http://www.abcsee.net/book/27/27026/ 因为这个的每行都有几个链接。希望能得到帮助。同时也希望能兼容每行一个链接的网页地址。http://www.9laidu.com/0/278/index.html
要求是提取的网页链接能以每行
开篇（一）|http://www.abcsee.net/book/27/27026/6717602.html或开篇（一）|6717602.html
这样的形式保存。

作者: CrLf 时间: 2014-6-29 01:06

一万多字的行无法直接处理，要么借助 js/vbs，要么用第三方，要么用 sep/p 拼接

作者: CrLf 时间: 2014-6-29 01:16

sed "/^<dd>/!d;s/</\n&/g" "妖瞳公主 最新章节 无弹窗广告 - 北辰文学网.htm"|sed "/^<a/!d;s/.*\x22\(.*\)\x22>/\1|/g"
复制代码

作者: hlzj88 时间: 2014-6-29 17:21

回复 3# CrLf

谢谢，sed尝试了，版本不对，用htox32c 后每行只有4个链接，自己解决了。

作者: Batcher 时间: 2014-6-30 21:50

回复 4# hlzj88

把你的代码发出来给大家分享一下吧

另外，可以试试这个sed版本：
http://pan.baidu.com/s/1pJkDALt

作者: terse 时间: 2014-7-1 11:19

发给BAT+JS 仅测试一楼数据

@if(0)==(0) echo off
cscript -nologo -e:jscript %0 <a.htm
pause&exit
@end
var re = /<a href="(\d+\.html)".*?>(.+?)<\/a>/ig;
var rs = WScript.StdIn.ReadAll().match(re);
var length = rs.length;
for (i=0; i<length; i++) {
     WScript.Echo(rs[i].replace(re,'$2 | $1'));
}
复制代码

作者: hlzj88 时间: 2014-7-1 19:55

回复 5# Batcher
关于整理后链接的提取，代码我已经发这个地址。不多占论坛空间。
http://www.bathome.net/thread-30798-1-1.html

欢迎光临批处理之家 (http://www.bathome.net/)