Вытащить текст из html

@antake · Регистрация: 24.09.2012

Студворк — интернет-сервис помощи студентам

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.

@kalabuni · 05.07.2013, 13:09

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?

@antake · 05.07.2013, 13:30 **[ТС]**

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.

@kalabuni · 05.07.2013, 13:49

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?

@antake · 05.07.2013, 14:06 **[ТС]**

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.

@kalabuni · 05.07.2013, 15:54

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

HTML5
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=windows-1251">
<style>
iframe, textarea {width: 100%; height: 200px}
</style>
<script>
onload = function ()
{
with (document.all.myIFR)
   attachEvent ('onload', function ()
   {document.all.myTXA.value = frames.myIFR.document.body.innerText}),
   src = 'https://www.cyberforum.ru/javascript/thread918157.html';
}
</script>
</head>
<body style="text-align: center">
<iframe id="myIFR"></iframe>
<p>Íàâåðõó - HTML-ôàéë â &lt;IFRAME&gt;
<hr>Âíèçó - òåêñò ýòîé ñòðàíèöû â &lt;TEXTAREA&gt;
<p><textarea id="myTXA" readonly></textarea>
</body>
</html>

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

@antake · 05.07.2013, 18:42 **[ТС]**

Спасибо!
В понедельник теперь подумаю)

@newJS · 06.07.2013, 08:56

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

Новые блоги и статьи Все статьи Все блоги /
Советы по крайней бережливости. Внимание, это ОЧЕНЬ длинный пост. Programma_Boinc 28.12.2025 Советы по крайней бережливости. Внимание, это ОЧЕНЬ длинный пост. Налог на собак: https:/ / ********/ gallery/ V06K53e Финансовый отчет в Excel: https:/ / ********/ gallery/ bKBkQFf Пост отсюда. . .	Кто-нибудь знает, где можно бесплатно получить настольный компьютер или ноутбук? США. Programma_Boinc 26.12.2025 Нашел на реддите интересную статью под названием Anyone know where to get a free Desktop or Laptop? Ниже её машинный перевод. После долгих разбирательств я наконец-то вернула себе. . .	Thinkpad X220 Tablet — это лучший бюджетный ноутбук для учёбы, точка. Programma_Boinc 23.12.2025 Рецензия / Мнение/ Перевод Нашел на реддите интересную статью под названием The Thinkpad X220 Tablet is the best budget school laptop period . Ниже её машинный перевод. Thinkpad X220 Tablet —. . .	PhpStorm 2025.3: WSL Terminal всегда стартует в ~ and_y87 14.12.2025 PhpStorm 2025. 3: WSL Terminal всегда стартует в ~ (home), игнорируя директорию проекта Симптом: После обновления до PhpStorm 2025. 3 встроенный терминал WSL открывается в домашней директории. . .	Как объединить две одинаковые БД Access с разными данными VikBal 11.12.2025 Помогите пожалуйста !! Как объединить 2 одинаковые БД Access с разными данными.
Новый ноутбук volvo 07.12.2025 Всем привет. По скидке в "черную пятницу" взял себе новый ноутбук Lenovo ThinkBook 16 G7 на Амазоне: Ryzen 5 7533HS 64 Gb DDR5 1Tb NVMe 16" Full HD Display Win11 Pro	Музыка, написанная Искусственным Интеллектом volvo 04.12.2025 Всем привет. Некоторое время назад меня заинтересовало, что уже умеет ИИ в плане написания музыки для песен, и, собственно, исполнения этих самых песен. Стихов у нас много, уже вышли 4 книги, еще 3. . .	От async/await к виртуальным потокам в Python IndentationError 23.11.2025 Армин Ронахер поставил под сомнение async/ await. Создатель Flask заявляет: цветные функции - провал, виртуальные потоки - решение. Не threading-динозавры, а новое поколение лёгких потоков. Откат?. . .	Поиск "дружественных имён" СОМ портов Argus19 22.11.2025 Поиск "дружественных имён" СОМ портов На странице: https:/ / norseev. ru/ 2018/ 01/ 04/ comportlist_windows/ нашёл схожую тему. Там приведён код на С++, который показывает только имена СОМ портов, типа,. . .	Сколько Государство потратило денег на меня, обеспечивая инсулином. Programma_Boinc 20.11.2025 Сколько Государство потратило денег на меня, обеспечивая инсулином. Вот решила сделать интересный приблизительный подсчет, сколько государство потратило на меня денег на покупку инсулинов. . . .

@antake 0 / 0 / 0 Регистрация: 24.09.2012 Сообщений: 29

	Вытащить текст из html 05.07.2013, 12:26. Показов 11535. Ответов 7 Метки нет (Все метки) 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

@kalabuni супермизантроп 3941 / 2979 / 692 Регистрация: 18.04.2012 Сообщений: 8,629
	05.07.2013, 13:09
	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

@antake 0 / 0 / 0 Регистрация: 24.09.2012 Сообщений: 29
	05.07.2013, 13:30 [ТС]
	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

@antake 0 / 0 / 0 Регистрация: 24.09.2012 Сообщений: 29
	05.07.2013, 14:06 [ТС]
	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

@antake 0 / 0 / 0 Регистрация: 24.09.2012 Сообщений: 29
	05.07.2013, 18:42 [ТС]
	Спасибо! В понедельник теперь подумаю) 0

@newJS 2436 / 1115 / 312 Регистрация: 23.06.2011 Сообщений: 3,529
	06.07.2013, 08:56
	Во фрейм нужно добавить атрибут application="no/yes", иначе может не грузиться файл. Толком не помню, всего один раз использовал. 0