word表格转html后去除冗余代码

word可以另存为html文件，通过这个功能，可以快速实现网页展示word内容，特别是表格的编辑，它包含tr、td、th、rowspan、colspan等内容，直接写比较繁琐。

但word转换过来的html默认是带有很多格式代码，那么如何去除这些冗余代码，只保留主内容呢？

本来是打算从网上找工具的，但发现没有现成的，一般都是推荐用工具的文本替换来去除，这样不能复用。因此，本人采用nodejs写了一小段代码，来去除冗余代码。

主要思路是：

1. nodejs读取html文件的文本内容
2. 用substring函数获取table内容
3. 用正则去除多余标签
4. 用正则去除多余属性
5. 用正则去除多余空格

var fs = require('fs')

// 异步读取
fs.readFile('static/detail/sheet004.html', function (err, data) {
    if (err) {
        return console.error(err);
    }

    // 步骤1：获取table内容
    var content = data.toString();
    content = content.substring(content.indexOf("<table"), content.indexOf("</table>") + 8);

    // 步骤2：去除多余的标签
    ['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'), "");
    })

    // 步骤3：去除多余的属性元素
    // 去除带引号的属性
    content = content.replace(/(style)=(".*?"|'.*?')/g, "");
    // 去除不带引号的属性
    content = content.replace(/(class|border|cellspacing|MsoNormalTable|valign|width|center|&nbsp;|x:str|height|x:num|cellpadding)(=[^ \f\n\r\t\v>]*)?/g, "");

    // 步骤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);
 });