1、使用WPS或百度会员将PDF文件OCR成docx文件。
2、使用google doc打开保存在drive中的docx文件，另存为html压缩文件。
3、打开该html文件，为方便处理，可以改为txt后缀，使用程序去除head部分及body部分的空格，再保存为html文件。注意有时文字乱码就需要将txt另存为utf8格式。
4、在浏览器中打开该html文件，同时wordpress打开编辑新文件，复制粘贴，再做少量修改即成。
5、在本网xycost.com每个页面打开后点阅读模式可以得到纯净版的html。去除了无必要的很多标签，体积可以降为原PDF的10%以下且为文字版。
去除空格的代码：
private void button31_Click(object sender, EventArgs e)
{
OpenFileDialog openFileDialog = new OpenFileDialog
{
Filter = "Text and HTML Files|*.txt;*.html",
Title = "请选择一个文本或HTML文件"
};
if (openFileDialog.ShowDialog() == DialogResult.OK)
{
string filePath = openFileDialog.FileName;
string fileContent;
try
{
// 读取文件内容
fileContent = File.ReadAllText(filePath);
string contentWithoutHead = RemoveHeadSection(fileContent); // 去除 <head> 部分
string contentWithoutSpan = RemoveSpanTags(RemoveOtags(contentWithoutHead)); // 去除所有 <span> 标签
string contentCleaned = RemoveEmptyHtmlTags(contentWithoutSpan); // 移除空白 <span> 标签及多余空白字符
// 处理文件内容：去除汉字之间的空格
string processedContent = RemoveSpacesBetweenChineseCharacters(contentWithoutSpan);
SaveFileDialog saveFileDialog = new SaveFileDialog
{
Filter = "Text Files|*.txt|HTML Files|*.html",
Title = "保存处理后的文件",
FileName = Path.GetFileNameWithoutExtension(filePath) + "_processed" + Path.GetExtension(filePath)
};
if (saveFileDialog.ShowDialog() == DialogResult.OK)
{
// 保存处理后的内容
File.WriteAllText(saveFileDialog.FileName, processedContent);
MessageBox.Show("文件已成功保存！", "保存成功", MessageBoxButtons.OK, MessageBoxIcon.Information);
}
}
catch (Exception ex)
{
MessageBox.Show($"发生错误：{ex.Message}", "错误", MessageBoxButtons.OK, MessageBoxIcon.Error);
}
}
}
static string RemoveSpacesBetweenChineseCharacters(string input)
{
// 匹配汉字之间的空格
string pattern = @"(?<=[\u4e00-\u9fa5])\s+(?=[\u4e00-\u9fa5])";
return Regex.Replace(input, pattern, "");
}
// 去除 <span> 标签，但保留内容，包括带属性的复杂 <span> 标签
static string RemoveSpanTags(string input)
{
string pattern = @"<span[^>]*>(.*?)<\/span>";
return Regex.Replace(input, pattern, "$1", RegexOptions.Singleline | RegexOptions.IgnoreCase);
}
// 去除其他类似空白字符的情况
static string RemoveEmptyHtmlTags(string input)
{
// 匹配 <span> 标签
// 保留包含 的 <span> 标签
// 移除其他 <span> 标签，仅保留内容
string spanPattern = @"<span[^>]*>(.*?)<\/span>";
return Regex.Replace(input, spanPattern, match =>
{
string content = match.Groups[1].Value; // 获取标签内容
return content.Contains(" ") ? match.Value : content; // 如果包含 ，保留标签；否则仅保留内容
}, RegexOptions.Singleline | RegexOptions.IgnoreCase);
}
static string RemoveOtags(string input)
{
// 匹配 <o:p> 标签并移除
string oTagPattern = @"<o:p[^>]*>.*?<\/o:p>";
return Regex.Replace(input, oTagPattern, "", RegexOptions.Singleline | RegexOptions.IgnoreCase);
}
// 去除 <head> 标签及其内容
static string RemoveHeadSection(string input)
{
string pattern = @"<head[\s\S]*?>[\s\S]*?</head>";
return Regex.Replace(input, pattern, "", RegexOptions.Singleline | RegexOptions.IgnoreCase);
}
评论0