超级替换 庞杂网页变身简洁电子书

huangmj76

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版本的。这种情况下，我们不妨自己动手采集整理了。
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.xunlei.com），在小说目录页点击鼠标右键，选择“使用迅雷下载全部链接”，如图1所示，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”，弹出如图2所示的提示对话框，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。

01

02

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”（不含外侧引号）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（见图3）。

03

小提示
★如果感觉在命令提示符窗口中不方便查找目录，可以在Windows资源管理器窗口中打开相应的文件夹，然后按下Shift键不放并点击右键，选择“在此处打开命令窗口”，即可直接启动命令提示符窗口并直接进入当前目录，非常方便。
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。
高手支招
★使用copy命令批量合并文本文件，虽然快速，但有时会出现合并的文件顺序颠倒的问题，导致制作的TXT小说内容混乱。安全起见，我们还可以如下进行操作：
首先在命令提示符窗口进入小说目录中，然后执行以下命令：
dir /B *.txt >>list.bat
完成后即可将该目录下的所有TXT文件名以列表的形式保存在list.bat文件中。注意，一定要加上参数“/B”，否则生成的列表文件中会有很多无用的信息。
在EmEditor之类的文本编辑器中打开刚刚生成的list.bat（此时千万不要双击运行此文件否则会打开一堆文件），稍作清理，并检查一下文件次序是否正确，不正确的可作调整。
完成后按Ctrl+H键打开替换对话框，勾选Use Regular Expressions（使用正则表达式）项，然后点击Find（查找）右侧的“>”按钮，选择“n”，在Replace with（替换为）文本框中输入+号，如图4所示，单击Replace All（全部替换）后，所有的文件名都被排列于一行之中并且以+号相连。在行首添加“copy ”（不含外侧引号，命令后加空格），在行尾输入合并后的文件名，如“ hlm.txt”，同样不含引号，用空格与前面的内容隔开。

04

保存list.bat文件后退出，再双击此批处理文件，即可快速将当前目录中的所有txt合并为一个了。
超级替换清理网页文档中的垃圾
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（见图5），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，纯手机删除的话，太麻烦了。

05

1、多行重复内容巧清除
有聪明的同学会说，网页代码有很多相似之处，直接用替换功能，把这些重复的网码代码替换成无不就行了？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。
小知识：正则表达式
★正则表达式不容易理解，但是说起通配符大多数人却很容易明白，因为平时经常要使用。比如在Windows/Dos下查找文件时，搜索“hlm.txt”，只能找到“hlm.txt”这一个文件，但如果搜索“*.txt”，则能搜出所有的扩展名为txt的文件文件，这里的“*”号即是通配符，它可以替代任意数量的任意字符。而正则表达式，我们可以将它理解为超级“通配符”，通过一系列的规则，它可以表示任意复杂关系的字符内容。
★正则表达式的主要应用
数据验证：这是正则表达式在开发中最常见的应用，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。
搜索和替换文本：用正则表达式来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。这也是文本编辑中的一个常见应用。
如上图5所示，前7行的内容，在后面基本上是完全重复（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：
([sS]+?)
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，如图5所示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，[sS]即表示所有的字符了。后面的“+?”则表示任意数量的字符。
2、有保留替换内容
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：
(.*?)
而在替换框中则输入：
1
如图6所示，执行替换后，即可保留中间的内容，而将前后的清理掉了。(.*?)与前面的([sS]+?)功能相似，都是表示任意字符，不过([sS]+?)将换行符也包含在内了。

06

3、为断行文本续行
通过网页转化合并的TXT文档，还有一个问题，依旧如图5所示，正文内容中间出现了许多换行符，这在电脑上看起来文档显得很整齐，但如果是在小屏幕的手机上，则时时遇到断行，影响我们的阅读。但如果我们直接将换行符替换为无，正文内容是能接上了，但是正常的段落之间的换行又会被破坏，一个超长的没有段落显示的文本也是非常恐怖的。
仔细分析，段落换行，换行后还会连续两个空格，而正文中间非正常换行只有一个换行符。有区别就好办了。首先在查找中输入正则表达式“n　　”（不含外侧引后，注意后面有两个空格），将其替换成独特的特殊的字符串，比如“aaaaaaaaaa”（什么都行，保持唯一性即可）。
接一来再输入正则表达式“n”（这次不用加空格了），替换成无，将所有的正文内容连接到一起。
最后，再将前面的“aaaaaaaaaa”，重新替换成“n　　”，就可以恢复段落回行了。
经过以上方法的快速处理，一篇干净整洁的TXT版电子小说就搞定啦，最后祝大家阅读愉快。