從字符串中剝離HTML

Question

我嘗試了很多東西，但似乎沒有什么工作正常。 我有一個Access DB，我正在VBA中編寫代碼。 我有一串HTML源代碼，我有興趣剝離所有HTML代碼和標簽，以便我只有純文本字符串，沒有html或標簽。 做這個的最好方式是什么？

謝謝

Answer 1

一種盡可能具有彈性的標記;

with createobject("htmlfile")
    .open
    .write "<p>foo <i>bar</i> <u class='farp'>argle </zzzz> hello </p>"
    .close
    msgbox "text=" & .body.outerText
end with

Answer 2

    Function StripHTML(cell As Range) As String  
 Dim RegEx As Object  
 Set RegEx = CreateObject("vbscript.regexp")  

 Dim sInput As String  
 Dim sOut As String  
 sInput = cell.Text  

 With RegEx  
   .Global = True  
   .IgnoreCase = True  
   .MultiLine = True  
.Pattern = "<[^>]+>" 'Regular Expression for HTML Tags.  
 End With  

 sOut = RegEx.Replace(sInput, "")  
 StripHTML = sOut  
 Set RegEx = Nothing  
End Function  

祝你好運，祝你好運。

Answer 3

這取決於html結構的復雜程度以及您希望從中獲取多少數據。

根據您使用正則表達式可能會帶來的復雜性，但是對於復雜的標記，嘗試使用正則表達式從html解析數據就像嘗試用叉子吃湯一樣。

您可以使用htmFile對象將平面文件轉換為可以與之交互的對象，例如：

Function ParseATable(url As String) As Variant 

    Dim htm As Object, table As Object 
    Dim data() As String, x As Long, y As Long 
    Set htm = CreateObject("HTMLfile") 
    With CreateObject("MSXML2.XMLHTTP") 
        .Open "GET", url, False 
        .send 
        htm.body.innerhtml = .responsetext 
    End With 

    With htm 
        Set table = .getelementsbytagname("table")(0) 
        Redim data(1 To table.Rows.Length, 1 To 10) 
        For x = 0 To table.Rows.Length - 1 
            For y = 0 To table.Rows(x).Cells.Length - 1 
                data(x + 1, y + 1) = table.Rows(x).Cells(y).InnerText 
            Next y 
        Next x 

        ParseATable = data 

    End With 
End Function 

Answer 4

使用早期綁定：

Public Function GetText(inputHtml As String) As String
With New HTMLDocument
    .Open
    .write "<p>foo <i>bar</i> <u class='farp'>argle </zzzz> hello </p>"
    .Close
   StripHtml = .body.outerText
End With
End Function

Answer 5

對上述之一的改進...它找到引號和換行符，並用非HTML等價物替換它們。 此外，原始函數有嵌入式UNC引用的問題（即：<\\ server \\ share \\ folder \\ file.ext>）。 它將刪除整個UNC字符串，因為<在開頭和>結尾。 此函數修復了這個問題，因此UNC正確地插入到字符串中：

Function StripHTML(strString As String) As String
 Dim RegEx As Object
 Set RegEx = CreateObject("vbscript.regexp")

 Dim sInput As String
 Dim sOut As String
 sInput = Replace(strString, "<\\", "\\")

 With RegEx
   .Global = True
   .IgnoreCase = True
   .MultiLine = True
.Pattern = "<[^>]+>" 'Regular Expression for HTML Tags.
 End With

 sOut = RegEx.Replace(sInput, "")
 StripHTML = Replace(Replace(Replace(sOut, "&nbsp;", vbCrLf, 1, -    1), "&quot;", "'", 1, -1), "\\", "<\\", 1, -1)
 Set RegEx = Nothing
End Function

Answer 6

我發現了一個非常簡單的解決方案。 我目前運行訪問數據庫並使用excel表單來更新系統，因為系統限制和共享驅動器權限。 當我從Access調用數據時，我使用：Plaintext（ YourStringHere ）這將刪除所有html部分並僅保留文本。

希望這有效。