word表格轉html後去除冗餘代碼

標籤：ror   非同步   error   保留   編輯   nod   擷取   內容   步驟   

word可以另存新檔html檔案，通過這個功能，可以快速實現網頁展示word內容，特別是表格的編輯，它包含tr、td、th、rowspan、colspan等內容，直接寫比較繁瑣。

但word轉換過來的html預設是帶有很多格式代碼，那麼如何去除這些冗餘代碼，只保留主內容呢？

本來是打算從網上找工具的，但發現沒有現成的，一般都是推薦用工具的文本替換來去除，這樣不能複用。因此，本人採用nodejs寫了一小段代碼，來去除冗餘代碼。

主要思路是：

1. nodejs讀取html檔案的常值內容
2. 用substring函數擷取table內容
3. 用正則去除多餘標籤
4. 用正則去除多餘屬性
5. 用正則去除多餘空格

var fs = require(‘fs‘)// 非同步讀取fs.readFile(‘static/detail/county-hhz.html‘, function (err, data) {    if (err) {        return console.error(err);    }    // 步驟1：擷取table內容    var content = data.toString();    content = content.substring(content.indexOf("<table"), content.indexOf("</table>") + 8);    // 步驟2：去除多餘的標籤    [‘span‘, ‘p‘, ‘o‘, ‘font‘].forEach(item => {        content = content.replace(new RegExp(`<${item}(.*?)>(.*?)<\/${item}.*?>`, ‘gi‘), function(match, p1, p2) {            return p2;        });    })    // 步驟3：去除多餘的屬性元素    content = content.replace(/style=".*?"/g, ""); // 去除style屬性    content = content.replace(/(class|border|cellspacing|MsoNormalTable|valign|width|center|&nbsp;)(=\S*)?/g, "");    // 步驟4：去除多餘空格    content = content.replace(/(\S+)(\s+)/g, function(match, p1, p2) {        return p1 + ‘ ‘;    })    content = content.replace(/(\s)(>|<)/g, function(match, p1, p2) {        return p2;    })    console.log(content); });

 

word表格轉html後去除冗餘代碼