[文本处理] [已解决]如何使用 gawk.exe 获取html文件中的字符串？

hnfeng

下面代码是 html 文件的一部分

<一些无关字符>
<table width="100%" border="1" cellpadding="5" cellspacing="0" bordercolor="#E3F2FD">
<tr bgcolor="#1565C0"><td colspan="4"><strong><font color="#FFFFFF" size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif">日志报告：概述</font></strong>
</td></tr>
<tr>
<td bgcolor="#BBDEFB"><strong><font color="#000077" size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif">任务名称</font></strong></td>
<td width="23%" bgcolor="#FFFFFF"><font size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif">2.5_activity_H2J</font></td>
<td bgcolor="#BBDEFB"><font color="#000077" size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif"><strong>类别</strong></font></td>
<一些无关字符>
</tr>
<tr>
<td bgcolor="#BBDEFB"><strong><font color="#000077" size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif">开始检查</font></strong></td>
<td width="23%" bgcolor="#FFFFFF"><font size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif">2024-07-05 23:14:49</font></td>
<td bgcolor="#BBDEFB"><font color="#000077" size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif"><strong>检查完毕</strong></font></td>
<td width="39%" bgcolor="#FFFFFF"><font size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif">2024-07-06 02:34:51 (3 小时, 20 分钟, 2 秒)</font></td>
</tr>
<tr>
<td bgcolor="#BBDEFB"><strong><font color="#000077" size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif">同步任务开始时间</font></strong></td>
<td width="23%" bgcolor="#FFFFFF"><font size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif">2024-07-05 21:06:08</font></td>
<td bgcolor="#BBDEFB"><font color="#000077" size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif"><strong>同步任务结束时间</strong></font></td>
<td width="39%" bgcolor="#FFFFFF"><font size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif">2024-07-06 02:44:46 (5 小时, 38 分钟, 37 秒)</font></td>
</tr>
</table>
<一些无关字符>
复制代码

想获取里面的信息：
2.5_activity_H2J
2024-07-05 21:06:08
2024-07-05 23:14:49
2024-07-06 02:34:51
2024-07-06 02:44:46

请教怎样使用 gawk.exe （其他批处理、第三方也可以）获取上面的字符串，存到一个文本文件中。
多谢了

aloha20200628

回复 1# hnfeng

若需更完整的匹配，代码第2行可改为 ‘日期+时间’ 两个字段的正则式》
   "[0-9][0-9][0-9][0-9]\-[0-9][0-9]\-[0-9][0-9] [0-9][0-9]:[0-9][0-9]:[0-9][0-9]"

@echo off & (for /f "tokens=3 delims=<>(" %%a in (
      'findstr /ic:"_activity_" /rc:"[0-9][0-9]:[0-9][0-9]:[0-9][0-9]" 1.html') do echo,%%a)>1.tmp
sort 1.tmp>1.txt
del "1.tmp"&pause&exit/b
复制代码

hnfeng

回复 2# aloha20200628


    哦，不好意思，我没有说清楚，我的意思是 按顺序 获取 任务名称 和 各个时间：
任务名称
2.5_activity_H2J
同步任务开始时间
2024-07-05 21:06:08
开始检查
2024-07-05 23:14:49
检查完毕
2024-07-06 02:34:51
同步任务结束时间
2024-07-06 02:44:46

但是输出结果只要任务名称和各个时间

aloha20200628

回复 3# hnfeng

2楼代码已订正，加个排序就可以了

aloha20200628

回复 3# hnfeng

不用临时文件的版本...

@echo off & (for /f "tokens=3 delims=<>(" %%a in (
      'findstr /ic:"_activity_" /rc:"[0-9][0-9]:[0-9][0-9]:[0-9][0-9]" 1.html') do @echo,%%a)|sort>1.txt
pause&exit/b
复制代码

hnfeng

回复  hnfeng

不用临时文件的版本...
aloha20200628 发表于 2024-7-8 09:39

    谢谢帮忙，这个 sort 很巧妙

不过，html 文件中的 任务名称 可能是其他的 不含 _activity 的字符串，貌似也没明显的共有字符串可 findstr，所以能否再改改，通用一点（html格式是一样的）

主要是 任务名称 不同。就是找到文字 任务名称 ，然后取下一行的 非代码字符的文字

aloha20200628

回复 6# hnfeng

因为要先提取 ‘任务名称’ 这个中文字段，故须确认1.html的编码，以下代码假设其为系统默认编码（936 即 gb2312）；
若1.html是utf-8编码，则须抹去代码第2行首的::注释前缀，还须将代码脚本存为utf-8编码后运行...

@echo off &set "hF=1.html"
::chcp 65001>nul & @echo off
for /f "tokens=1 delims=:" %%n in (' findstr /lnc:">任务名称<" "%hF%" ') do set/a "n=%%n+1"
(for /f "tokens=4 delims=<>" %%a in (' findstr /n ".*" "%hF%"^|findstr /lbc:"%n%:" ') do echo,%%a)>1.txt
(for /f "tokens=3 delims=<>(" %%a in (
	' findstr /rc:"[0-9][0-9]:[0-9][0-9]:[0-9][0-9]" "%hF%" ') do @echo,%%a)|sort>>1.txt
pause&exit/b
复制代码

Five66

不知行否
注意html的编码

gawk "$0 ~ /任务名称|开始检查|检查完毕|同步任务..时间/{(getline);a=$0;gsub(/<[^>]*>/,\"\",a);print a}" 1.html >1.txt
复制代码

hnfeng

回复  hnfeng

因为要先提取 ‘任务名称’ 这个中文字段，故须确认1.html的编码，以下代码假设其为系统默 ...
aloha20200628 发表于 2024-7-8 12:59

    不成功，编码是 UTF-8，已经按你说的第二行删掉前面的两个冒号，以及保存批处理文件为 UTF-8 （是否有 BOM 都试了）

hnfeng

不知行否
注意html的编码
Five66 发表于 2024-7-8 13:07

    不成功，编码是 UTF-8

aloha20200628

回复 9# hnfeng

在7楼代码中3-4行之间加入 echo,%n% 检查获取目标行号是否正确？
再粘贴看看生成的 1.txt 究竟啥样？

77七

楼主文件为utf-8，以下代码保存为utf-8。

@echo off
chcp 65001 >nul
cd /d "%~dp0"
set str="任务名称" "同步任务开始时间" "开始检查" "检查完毕" "同步任务结束时间"
for %%a in (%str%) do (
	set _"%%~a"=1
)
setlocal enabledelayedexpansion
for /f "useback tokens=3,4 delims=<>(" %%a in ("1.xml") do (
	if defined _"%%b" (
		set b=%%b
	) else if defined b (
		call set "str=%%str:"!b!"="!b!" "%%a"%%"
		set b=
	)
	for %%a in (!str!) do (
		set /a n+=1
	)
	if !n! equ 10 (
		for %%a in (!str!) do (
			echo %%~a
			endlocal
			setlocal enabledelayedexpansion
		)
	)
	set n=
)
endlocal
pause
复制代码

部分命令顺序写错了，不过不影响结果。第22-23行可写到原24行下，这样逻辑清晰点。

77七

回复 12# 77七


一些多余了
   21行改为

if not defined _"%%~a" echo %%~a
复制代码

hnfeng

回复  77七


一些多余了
   21行改为
77七 发表于 2024-7-8 14:08

    成功成功，多谢了

hnfeng

回复 11# aloha20200628

10.0.19045)  
10.0.19045)  
2024-07-05 21:06:08 
2024-07-05 23:14:49 
2024-07-06 02:34:51  
2024-07-06 02:44:46  
FastMM.Normal)  
font color="#000077" size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif" 
font color="#000077" size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif" 
font color="#000077" size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif" 
font color="#000077" size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif" 
font color="#000077" size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif" 
font color="#000077" size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif" 
font color="#000077" size="3" face="Segoe UI Variable, Segoe UI, Verdana, sans-serif" 
TM) i5~13400  
x86) 
x86)\AOMEI\AOMEI Backupper\7.3.2; 
x86)\Common Files 
xxxxxxxxxxxx) 
成功) 
成功) 
成功) 
成功) 
成功) 
成功) 
成功) 
复制代码