onnistuuko konsolissa jotenkin html-dokumentin käpistely niin että siitä ottaisi talteen vain sen näkyvän tekstin jonka selaimen ruudullakin näkee?
teksti html:stä
talteen?
7302
0Äänestä
Muut lukivat myös
Odottaa vastausta
Näihin keskusteluihin ei ole vielä vastattu. Ole ensimmäinen.
Vastaukset 7
Vanhimmat
http://www.comp.eonworks.com/scripts/html_to_text-20040418.html
On ainakin yksi sellainen.
tuo jättää dokumenttiin kuvat tyyliin [http://balaah.blaa/blaa.png]
ja tuo ylempänä ollut html_to_text taas pukkaa erroreita
oikeastaan tuo html2text olisi ihan käyttökelpoinen kun sen jälkeen keksisi keinon poistaa kaikki hakasulkeiden välissä olevat tekstit. eli nuo "kuvat"
Hakasulkeet ja niiden sisällöt pois saat pois esimerkiksi käsittelemällä html2textin tulosteen sedillä. Esimerkiksi "korvaa [-merkki ja sitä seuraavat merkit ensimmäiseen ]-merkkiin asti tyhjällä merkkijonolla" sanotaan sediksi näin:
sed 's/\[[^]]*\]//g'
Putkita siis html2textin tuloste em. sed-komennolle.
html2text on muistaakseni melko tarkka sen suhteen, että syöte on ehjää html:ää. Jos niin ei ole, aja roska läpi html tidy -ohjelmasta ennen sen syöttämistä html2textille.
Eräs vaihtoehto muuttaa html-tiedostoja tekstiksi on myös tekstipohjaiset (terminaalissa toimivat) selaimet. Ne saa usein tulostamaan esittämänsä www-sivun stdouttiin. Esimerkiksi
links -dump http://www.google.com
toi linksin dump teki täysin sen mitä ajattelin ensin liian vaikeasti tehdä.
mutta hyviä ohjeita saa tällä forumilla! kiitos kaikille vastanneille.
että OpenOffice osaa tallentaa siististi kaikki HTML -tiedostot puhtaaseen tekstimuotoon.
mutta tuosta tulisi turhan monimutkainen send_keys hässäkkä kun open office ei osaa tuota tehdä konsolissa.
eli pitäisi sivustolta hakea dokumentti wget:llä, avata dokumentti oo:lla ja lähettää sille send_keyssejä että tallentaa tekstinä ja sammuttaa itsensä.
tuollaisia purkkaviritelmiä tuli viimeksi tehtyä windowsin aikaan kun siinä kaikkea ei koskaan saanut hoidettua tehokkaasti skripteillä.