[文本处理] 小说网页文件内容批量删除替换和提取字符串，如何提取多条内容？

3518228042

下载的小说很多都有*和广告或作者的结束语，在手机上用听书软件听要老半天无关紧要内容，
于是干脆用快速克隆网站工具，直接下载某页面下的所有链接，
试了几个小说网站上的小说，GBK编码的可以弄，但是如果是UTF-8编码的话就会乱码，
修改哪里能实现提取多条内容？怎么弄能自动识别UTF-8编码？

压缩包有几个网站的网页，有的是UTF-8，需要改成ANSI才能不乱码，这样显得比较麻烦，
希望提取的地方也改进为多条内容的

3518228042

@set @n=0;/* & echo off
dir /b *.htm *.html|cscript -nologo -e:jscript "%~0"
pause & exit/b & rem */
fso = new ActiveXObject("Scripting.FileSystemObject");
while (!WSH.StdIn.AtEndOfStream) {
        f = WSH.StdIn.ReadLine();
        txt = fso.OpenTextFile(f, 1).ReadAll();
        txt = txt.replace(/ *<h1> ?第?([一二两三四五六七八九十○零百千0-9１２３４５６７８９０]{1,9})([章节][ ]*)?([^ <]*)<\/h1>/ig,"\r\n<h1>第$1章 $3<\/h1>")
                //<h1>标签章节名规范
                .replace(/(&nbsp;|　)([^<]+)([ \r\n]*\t*)* *(<\/[^>]+>)/ig,"$1$2<br />")
                //小段落后面无<br />去除回车换行添加<br />
                .replace(/[ 　]*(<\/p>|<br ?\/?>|<\/div>|<\/title>)/ig,"$1\r\n")
                //小段落去除空字符
                .replace(/(<\/p>|<\/script>|<\/a>|<\/i>|<br ?\/?>|<\/select>)(\r\n)?/ig,"$1\r\n")
                //小段落添加回车换行
                .replace(/[\r\n ]* *<h1[^>]+>[\r\n]* *(第.{1,9}[章节])[ 　]*([^ ]+)? *<\/h1>/ig,"\r\n<h1>$1 $2</h1>\r\n")
                //缩短<h1>标签
                .replace(/(\">)((&nbsp;| |　)*[…\.]+[\r\n]+)?(&nbsp;| |　)*PS：(.*<br ?\/?>[\r\n]*)(?!<br ?\/?>)/ig,"$1\r\n")
                //删除章节头部的PS:行内容
                .replace(/　|&nbsp;&nbsp;/g,"　")
                //替换字符串
                .replace(/([男女兽猎夫妇那])\*+([叫喊哭])/g,"$1人大$2")
                .replace(/\*+不离十/g,"八九不离十")
                .replace(/十有\*?\*/g,"十有八九")
                .replace(/天\*+美/g,"天性爱美")
                .replace(/洞\*+出/g,"洞内射出")
                .replace(/向\*+围/g,"向中心围")
                .replace(/消\*+影/g,"消失身影")
                .replace(/水\*+融/g,"水乳交融")
                //修正*内容

                .replace(/(<br ?\/?>[\r\n]*)\1(&nbsp;| |　)*PS[：:](.*<br ?\/?>[\r\n]*){1,5}/ig,"$1")
                //删除章节尾部PS:内容1-5行
                .replace(/(&nbsp;)*广大书友通知想看最新.*无弹窗更新快手机站/g,"")
                .replace(/ *.*第一时间看正版内容！/g,"");
                //删除广告内容行
                s = "";
                re = /(<p>|<h1> ?|　　+|    +)(.+)(<br ?\/?>|<\/p>|<\/h1>)/ig;
                //提取<h1>到</h1>、<p>到</p>、空格到<br>或<br />或<br/>之间的内容
                while ((ar = re.exec(txt)) != null) {
                        s += ar[2] + "\r\n\r\n";
                };
        fso.OpenTextFile(f + ".txt" ,2, true).Write(s);//保存到提取文件
}
复制代码

发现这论坛也屏蔽这类，删除了，比如感情*彩，开口*流，灵兽*易，高大*力……都是**若的祸