Вытащить текст из html

Здравствуйте!

Задача такая: есть множество файлов html. Из них нужно взять весь текст. Посоветовали делать с помощью javascript.
Изучаю язык все утро, понял, что скрипты встраиваются в страницы и могут выполняться. Но как просто запустить скрипт безо всякой страницы, считать файл и сделать что-нибудь типа document.parse() - не пойму. Подскажите, пожалуйста.

Или возможно, есть какие-то другие пути решения с помощью js?

Спасибо.

0

будьте поконкретнее:
1) "множество файлов html" где находятся: в сети на серверах или на жёстком диске вашего компьютера?
2) "взять весь текст" - и что с ним дальше делать: сохранить на жёстком диске вашего компьютера в одном текстовом файле или в таком же "множестве" текстовых файлов? как их именовать, эти файлы? или вообще вам надо что-то другое?

0

html находятся у меня на жестком диске.

Программа-минимум - сохранить текст в файле (неважно, одном или множестве). Совершенно неважно, как именовать.
Программа-максимум - сохранить слова в едином файле вместе с их частотами.

Правда, сейчас мне сказали, что вроде бы в каждый html нужно будет дописать скрипт.

0

Сообщение от antake сейчас мне сказали, что вроде бы в каждый html нужно будет дописать скрипт

вас жестоко обманули

скрипт нужен всего в одном файле
в специальном, с расширением hta, который вам надо будет сохранить на своём компьютере в любом месте

единственное требование - чтобы ваше "множество файлов html" находилось в одной папке и чтобы у этих файлов было одно расширение (кстати, какое оно - htm или html?)

и ещё вопросы:
1) под "частотой" вы понимаете количество упоминаний слова в этих файлах?
2) вывод нужен в виде отсортированных слов по алфавиту или по "частоте"?
3) как я понимаю, регистр букв слов не важен, т.е. слова "Нога", "НОГА" и "нога" - это одно слово, упомянутое трижды, верно?

0

Расширение htm

1)Да
2)Лучше по алфавиту
3)Не важен

Меня все же в большей степени интересует, как же javascript запуститься не из html и какими способами может извлекаться текст. Постобработку я чем-нибудь другим в крайнем случае проведу.

0

HTA даёт возможность открыть любой файл в ифрейме
и - самое главное - HTA даёт возможность получить программный доступ к этому файлу в ифрейме
а, имея программный доступ к файлу, вытащить из него что угодно не составляет проблемы

хотите вытащить текст в переменную?
нет проблем - var perem = document.body.innerText; - и в этой переменной perem вы получите текстовое содержимое тела документа

есть одно ограничение - для файлов, находящихся на серверах, можно указать в их заголовке запрет на открытие во фрейме/ифрейме X-Frame-Options: DENY и тогда этот способ не подойдёт (но имеются другие возможности)
для вас это не актуально, ибо ваши файлы находятся на жёстком диске

раз вы предполагаете, что самостоятельно справитесь со своей задачей, тогда лишь маленький пример:
-- сохраните нижевыложенный код под именем myfile.hta
-- запустите его из проводника Windows двойным кликом

и в текстовой области увидите текст этой самой страницы, которую вы сейчас читаете
в зависимости от ваших настроек браузера MSIE система может выдать сообщение "о рисках", а может и не выдать
если выдаст, смело жмите на "Продолжить", ибо код перед вами - ничего "вредоносного" в нём, как видите, нет
------

в HTA-формате javascript может:
-- открыть стандартное окно обзора папок и предложить вам выбрать нужную (где находятся ваши HTML-файлы)
-- все файлы с расширением htm из этой папки по очереди вывести в ифрейм
-- текст каждого htm-файла разбить на слова и перевести их в один регистр
-- сосчитать количество упоминаний каждого слова во всех файлах
-- отсортировать по алфавиту (либо по частоте)
-- сохранить результат в виде текстового файла в той же папке
-- сразу же вывести итоговый текстовой файл в "Блокноте"
-- завершить работу, самостоятельно закрыв своё окно

1

Спасибо!
В понедельник теперь подумаю)

0

Во фрейм нужно добавить атрибут application="no/yes", иначе может не грузиться файл.
Толком не помню, всего один раз использовал.

0