萬盛學電腦網

您现在的位置: 萬盛學電腦網 >> 程式設計 >  >> 網頁製作 >> HTML 腳本教學

從 HTML 頁面提取純中文文本:VBScript 正則與 escape 編碼兩種方案

HTML 中文提取:編碼特性與正則表達式兩種核心算法

需求:從包含 HTML 標簽、腳本、樣式的頁面源碼中,精確提取所有漢字字符,過濾掉標簽、屬性、數字、英文、標點等非漢字內容。提供 VBScript 兩種實現:escape() 編碼判斷法、正則表達式 Unicode 範圍法。

方案一:escape() 編碼特性判斷

<script language="vbscript">
Function FilterChinese(strInput)
  Dim result, tempStr, i
  result = ""
  For i = 1 To Len(strInput)
    tempStr = Mid(strInput, i, 1)
    ' escape() 將非 ASCII 字符編碼為 %uXXXX 格式
    ' 中文字符 Unicode > 255,escape 後以 %u 開頭
    If Left(Escape(tempStr), 2) = "%u" Then
      result = result & tempStr
    End If
  Next
  FilterChinese = result
End Function

Dim str
str = "怎樣從一個Html頁面中提取所有漢字呢?不能有其它Html代碼。"
MsgBox FilterChinese(str) ' 輸出: 怎樣從一個Html頁面中提取所有漢字呢不能有其它Html代碼
</script>

方案二:正則表達式 Unicode 範圍匹配

<script language="vbscript">
Function RegExpTest(patrn, strng)
  Dim regEx, Match, Matches, RetStr
  Set regEx = New RegExp
  regEx.Pattern = patrn
  regEx.IgnoreCase = True
  regEx.Global = True
  Set Matches = regEx.Execute(strng)
  For Each Match In Matches
    RetStr = RetStr & Match.Value
  Next
  RegExpTest = RetStr
End Function

' 基本漢字區塊: U+4E00-U+9FA5 (CJK Unified Ideographs)
' 擴展區: U+3400-U+4DBF, U+20000-U+2A6DF 等
Dim str
str = "怎樣從一個Html頁面中提取所有漢字呢?不能有其它Html代碼。"
MsgBox RegExpTest("[\u4e00-\u9fa5]", str)
</script>

核心差異對比

維度escape() 判斷法正則 Unicode 範圍法
原理利用 escape 非 ASCII 編碼為 %uXXXX直接匹配 Unicode 碼位範圍
準確性包含所有非 ASCII (日韓文、符號、Emoji 等)可精確控制範圍 (基本區/擴展區/兼容區)
性能逐字符循環,O(n) 函數調用開銷大引擎優化,單次執行,速度快
瀏覽器支持僅 IE 支持 VBScript現代 JS 完美支持

現代 JavaScript 實現 (推薦)

// 基本漢字 (CJK Unified Ideographs: 4E00-9FFF)
function extractChineseBasic(str) {
  return str.match(/[\u4e00-\u9fa5]/g)?.join('') || '';
}

// 包含擴展區 A (3400-4DBF) - 生僻字
function extractChineseExtended(str) {
  return str.match(/[\u3400-\u4dbf\u4e00-\u9fff]/g)?.join('') || '';
}

// 完整漢字 (含擴展區 B 等, 需 Unicode 13+ / ES2024)
function extractChineseFull(str) {
  // 使用 Unicode 屬性轉義 (ES2018+)
  return str.match(/\p{Script=Han}/gu)?.join('') || '';
}

// 測試
const html = `<div>你好<span>世界</span>! 2024年</div>`;
console.log(extractChineseBasic(html));    // "你好世界年"
console.log(extractChineseExtended(html)); // 同上
console.log(extractChineseFull(html));     // 同上 (含更多生僻字支持)

實際應用場景

  • SEO 關鍵詞提取:從頁面提取中文語料構建詞庫
  • 內容審核:檢測用戶輸入是否包含敏感中文詞彙
  • 數據清洗:爬蟲數據去標簽、去英文、保留中文語料
  • 字體子集化:分析頁面實際使用漢字,生成最小字體文件

注意事項

  • 標點符號 (,。!?) 不在基本漢字區,需單獨添加 [\u3000-\u303f] (CJK Symbols)
  • 繁體字在基本區內,無需額外範圍
  • 生僻字 (如 𠮷 U+20BB7) 在擴展區 B,需 \p{Script=Han} 或 surrogate pair 處理
  • VBScript 僅 IE 支持,現代項目請勿使用
copyright © 萬盛學電腦網 all rights reserved