如何使用编程语言将HTML文件保存为非格式化文本而不是代码?

将来,请展示一些代码,以证明您试图自己解决问题。类似于“这是我的要求。现在为我写或给我找一个工具”的问题在这里通常不太受欢迎。

但部分原因是为了避免进一步的半途而废,部分原因是我喜欢这个挑战,这里有一个混合Batch+JScript脚本的解决方案,它将编写 innerText 将HTML添加到控制台。用.bat扩展名保存它。如果希望输出转到文件,则 batscript.bat htmlfile > outfile.txt 在cmd线。

@if (@CodeSection == @Batch) @then
@echo off & setlocal

if "%~1"=="" goto usage
if not exist "%~1" goto usage

cscript /nologo /e:JScript "%~f0" "%outfile%" < "%~1"
goto :EOF

:usage
2>&1 echo Usage: %~nx0 htmlfile
goto :EOF

@end // end Batch / begin JScript

var htmlfile = WSH.CreateObject('htmlfile');

htmlfile.write('<meta http-equiv="x-ua-compatible" content="IE=9" />');
htmlfile.write(WSH.StdIn.ReadAll());

WSH.Echo(htmlfile.documentElement.innerText);
htmlfile.close();

IE9兼容模式被调用以识别更多的HTML元素类型,同时仍允许Vista兼容。你可以改变 IE=9 到10、11或Edge(如果需要)。

如果您喜欢非混合脚本,还可以构造 htmlfile 使用PowerShell的COM对象。它的执行速度较慢,但代码更简单(尽管有奇怪的.NET方法名)。示例:

.bat脚本:

@echo off & setlocal

if "%~1"=="" goto usage
if not exist "%~1" goto usage

set "htmlfile=%~f1"

set "psCommand="^
    $h=new-object -COM htmlfile;^
    $h.IHTMLDocument2_write('^<meta http-equiv="x-ua-compatible" content="IE=9" /^>');^
    $h.IHTMLDocument2_write(${%htmlfile%});^
    $h.documentElement.innerText""

powershell -noprofile -noninteractive %psCommand%

goto :EOF

:usage
echo Usage: %~nx0 htmlfile
goto :EOF

.ps1脚本:

param( $htmlfile = $false )

if (-not (test-path $htmlfile)) {
    [console]::Error.WriteLine("Usage: $($MyInvocation.MyCommand.Name) htmlfile")
    exit
}

$html = gc $htmlfile | out-string
$hObj = new-object -COM htmlfile
$hObj.IHTMLDocument2_write('<meta http-equiv="x-ua-compatible" content="IE=9" />')
$hObj.IHTMLDocument2_write($html)
$hObj.documentElement.innerText
$hObj.Close()

(.ps1解决方案的用法示例: powershell .\scriptname.ps1 htmlfile.html )

因为我这样做是为了个人挑战,这里有一个批量+HTA混合变体,它将 内部文本 未保存到新的记事本窗口,因为我可以。

<!-- : batch portion
@echo off & setlocal

if "%~1"=="" goto usage
if not exist "%~1" goto usage

mshta "%~f0" < "%~1"
goto :EOF

:usage
2>&1 echo Usage: %~nx0 htmlfile
goto :EOF

end Batch / begin HTA -->

<meta http-equiv="x-ua-compatible" content="IE=9" />
<div id="out"></div>

<script>
var fso = new ActiveXObject('Scripting.FileSystemObject'),
    osh = new ActiveXObject('WScript.Shell'),
    notepad = osh.Exec('notepad');

document.getElementById('out').innerHTML = fso.GetStandardStream(0).ReadAll();
clipboardData.setData('text', document.getElementById('out').innerText);

var waitActive = setInterval(function() {
    if (osh.AppActivate(notepad.ProcessID)) {
        clearInterval(waitActive);
        close(osh.SendKeys('^v'));
    }
}, 25);

</script>

我使用HTA来规避浏览器安全性,防止对剪贴板的写访问(就像 html文件 COM对象),并且因为HTA重量较轻,不像 InternetExplorer.Application COM对象。

Set ie = CreateObject("InternetExplorer.Application") 
ie.Visible = 0
ie.Silent = 1 
ie.Navigate2 "file://" & FilterPath & "Filter.html"

Do 
    wscript.sleep 50            
Loop Until ie.document.readystate = "complete"

ie.document.body.innerhtml = Inp.readall
Outp.write ie.document.body.innertext

'ie.quit

InP.ReadAll 是textstream对象中的html文本, OutP 在另一个textstream对象中包含纯文本。

导航到本地文件以删除安全对话框和限制。用html文本替换该文件的文本(仅在内存中)( ie.document.body.innerhtml = Inp.readall ). 然后把它读回来,并把它写成文本( Outp.write ie.document.body.innertext ).

InP和OutP在上述代码截图中没有定义,但它们是文本流对象。

PHP有 strip_tags 也可以从命令行运行。

$url = 'http://www.somedoma.in/some_file.htm';
$website =  file_get_contents($url);
echo strip_tags($website);

然后你可以使用 php.exe 以运行脚本。