十秒钟 网页变身简洁电子书.docVIP

十秒钟 网页变身简洁电子书在手机上看小说，最方便的格式是TXT文本，不过网上许多TXT下载站，总是用各种广告迷惑用户，下载一部小说真是千辛万苦，还有不少小说根本就找不到TXT版本。这种情况下，我们不妨自己动手采集整理了。 网页抓捕及小说提取的软件工具有很多，为什么还要向大家推荐本文中的方法呢？主要基于以下几个理由： ★抓捕类工具毕竟非专业的下载工具，下载速度肯定不及迅雷等专业工具 ★抓捕类工具往往会针对一些特定的小说网站，虽然方便找小说，但也限制了应用范围。比如非小说的文档怎么办？本文的方法则通杀任意网页 ★本文的核心是正则表达式，初学可能有些复杂，但是熟练使用后，它可以应用于更多的领域，而不是只能提取网页文本。比如用正则表达式，可以在开发中验证输入的字符串是否为邮政编码、电话号码、电子邮件地址、信用卡号码等，用正则表达式还能搜索文档中的特定文本块，根据需要用其他指定的文本块进行替换等。这可是抓捕类工具所不具备的 批量下载小说网页文本 小说的TXT版本不好找，但是在线浏览的话却很容易找到。以四大名著之一的《红楼梦》为例，搜索关键字“红楼梦 在线阅读”，很快即可找到该小说的在线阅读页面。在线阅读小说比较麻烦的是，每一章都需要返回目录页再点击相应回目链接进入，所以我们先得想办法将这些内容页面批量下载下来 如果安装了第三方下载软件，一般都会提供批量下载的功能，操作步骤相似。这里以迅雷为例（下载地址：http://www.省略），在小说目录页点击鼠标右键，选择“使用迅雷下载全部链接”（图1），文件类型过滤选择“自定义”，仅选中htm项（根据实际情况确定是否选择html），即可将小说正文内容的链接筛选出来。点击“确定”，弹出提示对话框（图2），勾选“使用相同配置”，选择文件保存目录后，点击“立即下载”即可批量下载小说啦 批量改名并合并文件 我们需要的是TXT文本文件，下载的这些网页文件有什么用？其实网页文件实质就是文本，直接将文件扩展名由htm改成txt就可以了。不过一个文件一个文件的修改太麻烦，只需一个DOS命令，即可网页批量变文本 按Win+R键快速调出运行对话框，输入执行命令cmd打开命令提示符窗口，进入保存小说网页的文件夹内，输入以下命令： ren *.htm *.txt 按回车键执行后，该文件夹下的所有htm文件就全都成了txt文件了 在手机中一个一个文件打开浏览也很不方便。我们不妨将刚才转换的100多个TXT文件合并为一个大的TXT。继续在刚才的命令提示符窗口中操作，输入以下命令： copy *.txt hlm.txt 按回车键执行后，一部长篇小说的TXT版就完成啦 超级替换清理文档中的垃圾 现在打开合并成功的《红楼梦》TXT版，会发现其中有很多网页代码（图4），在电脑上看还不是很影响，如果是在手机这样的小屏幕上，得翻出很多页才能见到正文。更麻烦的是每一回就是一个网页，文本前后都有网页代码，合并后的TXT这样的代码有好几百处，纯手工删除太麻烦了 多行重复内容巧清除 聪明的同学会说，网页代码有很多相似之处，直接用替换功能，把这些重复的网页代码替换为空不就行了？聪明！但问题又来了，文本编辑器（包括Word）最多只能替换一行，但网页代码往往有很多行，怎么办？别急，现在该“正则表达式”上场啦 前7行的内容，在后面基本上是完全重复（图4，本例中共120处）。分析这段重复代码的特点，可以发现，它的开头部分是结尾部分是“高鹗 续。””。结尾部分包含有中文字符，正则表达式一般不支持，所以可将接在那后面的作为结尾部分。继续以EmEditor为例，按Ctrl+H键调出替换对话框，勾选Use Regular Expressions（使用正则表达式）项，然后在Find（查找）框中输入正则表达式代码： ([\s\S]+?) Replace with（替换为）框中则为： 如此替换是为了清除重复内容但又保留以备后用。最后点击Replace All（替换全部），确定后，图4那几行内容的所有重复部分就被清除啦。在这个正则表达式中，\s表示任一空白字符，包括空格、制表符、换页符、回车符和垂直制表符；\S表示任一非空白字符。用中括号将它们组合起来，[\s\S]即表示所有的字符了。后面的+?则表示任意数量的字符 保留替换内容 除了像上面那样的完全重复内容的替换法清理外，我们还会遇到以下问题。比如文档中还包括以下代码： 《红楼梦》 第一回 甄士隐梦幻识通灵 贾雨村风尘怀闺秀 我们需要去掉开头和结尾处的标识，但是又要保留中间的文字内容，这时我们可以这么做，在查找框中输入以下正则表达式： (.*?) 而在替