word表格轉html后去除冗余代碼

word可以另存為html文件，通過這個功能，可以快速實現網頁展示word內容，特別是表格的編輯，它包含tr、td、th、rowspan、colspan等內容，直接寫比較繁瑣。

但word轉換過來的html默認是帶有很多格式代碼，那么如何去除這些冗余代碼，只保留主內容呢？

本來是打算從網上找工具的，但發現沒有現成的，一般都是推薦用工具的文本替換來去除，這樣不能復用。因此，本人采用nodejs寫了一小段代碼，來去除冗余代碼。

主要思路是：

1. nodejs讀取html文件的文本內容
2. 用substring函數獲取table內容
3. 用正則去除多余標簽
4. 用正則去除多余屬性
5. 用正則去除多余空格

var fs = require('fs')

// 異步讀取
fs.readFile('static/detail/sheet004.html', function (err, data) {
    if (err) {
        return console.error(err);
    }

    // 步驟1：獲取table內容
    var content = data.toString();
    content = content.substring(content.indexOf("<table"), content.indexOf("</table>") + 8);

    // 步驟2：去除多余的標簽
    ['span', 'p', 'o', 'font'].forEach(item => {
        content = content.replace(new RegExp(`<${item}(.*?)>(.*?)<\/${item}.*?>`, 'gi'), function(match, p1, p2) {
            return p2;
        });
    });
    ['col'].forEach(item => {
        content = content.replace(new RegExp(`<${item}(.*?)\/>`, 'gi'), "");
    })

    // 步驟3：去除多余的屬性元素
    // 去除帶引號的屬性
    content = content.replace(/(style)=(".*?"|'.*?')/g, "");
    // 去除不帶引號的屬性
    content = content.replace(/(class|border|cellspacing|MsoNormalTable|valign|width|center|&nbsp;|x:str|height|x:num|cellpadding)(=[^ \f\n\r\t\v>]*)?/g, "");

    // 步驟4：去除多余空格
    content = content.replace(/(\S+)(\s+)/g, function(match, p1, p2) {
        return p1 + ' ';
    })
    content = content.replace(/(\s)(>|<)/g, function(match, p1, p2) {
        return p2;
    })

    console.log(content);
 });