请教采集高手:如何采集用word文档转html的网页?

风讯官方论坛FoosunCMS交流区 插件讨论请教采集高手:如何采集用word文档转html的网页?

1 / 1 页

跳转页

查看:1124

2005-10-31 12:31 | 只看楼主

树型| 收藏| 小中大 1

如何采集WORD文档转html的网页?大家都知道WORD转HTML会生成大量垃　圾代码,然而想采集这样的文档真的很难,难点就在如何过滤垃　圾代码上,请高手指点一二!目前我所能做的就是将HTML文档下载下来,然后用软件批量转换.几千条啊,累死人了.

[此贴子已经被作者于2005-10-31 12:34:21编辑过]

chning 个人空间相册组别:中级会员性别: 生日:1900-1-1 来自: 积分:892 帖子:881 注册: 2005-08-12	2005-10-31 12:48 \| 树型\| 收藏\| 小中大 2 没采过，感觉用WORD 转HTML有点BT，应该很稀有吧？

2005-10-31 12:53 | 只看楼主

树型| 收藏| 小中大 3

其实不ＢＴ，因为有些人对网页的制作并不懂,用WORD转HTML的方式让他们的工作更为简单，也是懒人的做法，你看看上面的那个网页的源码你就明白了，但是要采集这样的网页是非常的难。

[此贴子已经被作者于2005-10-31 12:55:44编辑过]

chning 个人空间相册组别:中级会员性别: 生日:1900-1-1 来自: 积分:892 帖子:881 注册: 2005-08-12	2005-10-31 13:14 \| 树型\| 收藏\| 小中大 4 那是肯定的，一般那样的站每个页面的标记都不一样的，确定采集页面标题和内容是问题啊

2005-10-31 13:50 | 只看楼主

树型| 收藏| 小中大 5

也不全是你说的那样，采集页面标题和内容基本上都可以确定，只有部分文件不一样，因为我仔细查看了一下，有三种形式：1、直接用WORD文档转换的HTML文档，2、采用筛选过的WORD转HTML的HTML文档，3、纯HTML格式的文档。

难点就难在如何过滤WORD转换HTML的内容过滤问题，垃　圾代码暴多，但相似点也很多，筛选过的HTML文档要好一点，体积会小一半以上。

chning 个人空间相册组别:中级会员性别: 生日:1900-1-1 来自: 积分:892 帖子:881 注册: 2005-08-12	2005-10-31 15:21 \| 树型\| 收藏\| 小中大 6 过滤不好确定部分可以用变量，不过要小心别把需要的代码替换掉了

2005-10-31 19:03 | 只看楼主

树型| 收藏| 小中大 7

给出两种版本，一种是DOC格式，一种是html格式。

因为我遇到这样一个问题，直接采集回来后，在生成网页时，程序停止响应。

因为文章太多，有2000多条，我现在只能采用一个方法，首先把每个文档的URL采集下来，然后从采集数据库中把URL复制出来，然后用软件下载下来，再用软件批量转换。我哭，还要我安装office2000！
谁能给我想出更好的办法？

chning 个人空间相册组别:中级会员性别: 生日:1900-1-1 来自: 积分:892 帖子:881 注册: 2005-08-12	2005-11-01 09:29 \| 树型\| 收藏\| 小中大 8 这种情况我建议你使用离线浏览器，下到本地然后用DW的批量替换。

joynow 个人空间相册组别:高级会员性别: 生日:1900-1-1 来自: 积分:1100 帖子:80 注册: 2004-12-23	2005-11-01 15:12 \| 树型\| 收藏\| 小中大 9 没错，我也是用这种方法来采集一些标题和内容的标记不清，难以采集的网站

1 / 1 页

跳转页