Question

我尝试了很多东西，但似乎没有什么工作正常。我有一个Access DB，我正在VBA中编写代码。我有一串HTML源代码，我有兴趣剥离所有HTML代码和标签，以便我只有纯文本字符串，没有html或标签。这样做的最佳方式是什么？

由于

Answer 1

尽可能对不良标记具有弹性的一种方法;

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

这可能对你有所帮助，祝你好运。

Answer 3

这取决于html结构的复杂程度以及您希望从中获取多少数据。

根据您使用正则表达式可能会带来的复杂性，但是对于复杂的标记，尝试使用正则表达式从html解析数据就像尝试用叉子吃汤一样。

您可以使用htmFile对象将平面文件转换为可以与之交互的对象，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

使用早期绑定：

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

对上述其中一项的改进...它找到引号和换行符，并用非HTML等价物替换它们。此外，原始函数有嵌入式UNC引用的问题（即：＆lt; \ server \ share \ folder \ file.ext＆gt;）。由于＆lt;它将删除整个UNC字符串。在开始时＆gt;在末尾。此函数修复了这个问题，因此UNC正确地插入到字符串中：

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

我找到了一个非常简单的解决方案。我目前运行访问数据库并使用excel表单来更新系统，因为系统限制和共享驱动器权限。当我从Access调用数据时，我使用：明文（ YourStringHere ）这将删除所有html部分，只保留文本。

希望这有效。

从字符串中剥离HTML

6 个答案: