“新浪讀書”轉TXT

wget -i list下載,用下面的腳本處理,即可得到純文本的圖書。

#!/bin/sh

# 處理“新浪讀書”下載的HTML,并轉為TXT。

# 文件名可能为UTF8,文本为GB

html2txt()
{
    
cat $
    
LC_ALL=zh_CN.GBK 
        sed 
-
            
-'/<div id=article>/,/正文底部文字广告/p' 
            
-'/<!--正文内容开始-->/,/<!--正文内容结束-->/p' -'/正文页画中画/p' |
    
LC_ALL=zh_CN.GBK    sed 
            
-'/^[ /t; ]*$/d' 
            
-'/    连载:/d' 
            
-'s/  //r/n  /g' -'s/<[^>]*>//g' -'s/&nbsp//g' 
            
-'/<!--/,/-->/d' 
            
-'s//[上一篇/]/|/[返回/]/|/[返回目录/]/|/[下一篇/]/|上一页/|下一页/|/[/]/|/[[0-9]/]//g' 
            
-'/^[ /t/n;]*/r$/D' |
    
LC_ALL=zh_CN.GBK grep -'http://book.sina.com.cn'

}

for 
i in `find . -name "?.shtml" | sort`; do
    
#echo $i
    
html2txt $i
done

for i in `find . -name "??.shtml" | sort`; do
    
#echo $i
    
html2txt $i
done

for i in `find . -name "???.shtml" | sort`; do
    
#echo $i
    
html2txt $i
done 
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值