[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

dimo

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。

<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：

<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 # $ % & * @ ? !

<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：

<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……

idwma

powershell "([xml](gc Extract.out)).InnerText"
复制代码

czjt1234

回复 2# idwma


   赞一个

Batcher

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

dimo

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。

Batcher

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

WHY

@if(0)==(0) echo off
type Extract.out | cscript //nologo //e:jscript "%~f0"
pause & exit
@end

var html = new ActiveXObject('htmlfile');
html.write(WSH.StdIn.ReadAll());
var s = html.getElementsByTagName('div')[0].innerText;
WSH.Echo(s);
复制代码

dimo

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。

dimo

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：

hey get it聽hey get it聽
hey get it聽hey get it聽
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）

idwma

回复 8# dimo

powershell "([xml](gc Extract.out)).FirstChild.InnerText"
复制代码

WHY

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：

@if(0)==(0) echo off
cscript //nologo //e:jscript "%~f0"
pause & exit
@end

function getText(file, charset){
    var ado = new ActiveXObject('ADODB.Stream');
    ado.Type = 2;
    ado.CharSet = charset;
    ado.Open();
    ado.LoadFromFile(file);
    var text = ado.ReadText(-1);
    ado.Close();
    return text;
}

var text = getText('Extract.out', 'utf-8');
var html = new ActiveXObject('htmlfile');
html.write(text);
var s = html.getElementsByTagName('div')[0].innerText;
WSH.Echo(s);
复制代码

dimo

回复 10# idwma
经过多次可靠性测试，这个是最优解法

dimo

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。