把Word转为简洁的html的若干种方法

转自： http://article.pchome.net/content-425187.html

word可以直接另存为 htm，但即使是 另存为 html 也会有大量的废代码。以前我一般用 dreamweaver 的 clean up html 来处理，先处理 word 特有标签，然后删除一些 font,b,span 等。进一步，在 editplus 里面用正则进行处理，最后得到我想要的干净的html 代码。当然最完美的办法就是拷贝文字出来，自己用文本编辑器书写htm标签，：）

今天又看到lifehacker这几种word 2 clean htm方法：

1.使用这个HTML Tidy Library Project开源软件来处理。

2.微软官方站点也有个Office 2000 HTML Filter 2.0工具，可以用来处理掉word2000转html时出现的多余代码。

3.使用这个Word HTML Cleaner 在线工具来处理。只能处理word2000以下版本。

4.有人给出了正则表达式（其实，上面的各种软件也都是用正则来解决的）

删除不需要的标签

<[/]?(font|span|xml|[ovwxp]:w+)[^>]*?>
- replace any matches with the empty string

删除class,style...等不需要的属性

<([^>]*)(?:class|lang|style|size|face|[ovwxp]:w+)=(?:'[^']*'|""[^""]*""|[^>]+)([^>]*)>
- replace any matches with <$1$2>

详细解释在Clean Word HTML using Regular Expressions



EditPlus+正则表达式，处理中等大小的文本