Tenho várias páginas HTML, assim:
<?xml version="1.0" encoding="utf-8"?>
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.1//EN"
"http://www.w3.org/TR/xhtml11/DTD/xhtml11.dtd">
<html xmlns="http://www.w3.org/1999/xhtml" xmlns:epub="http://www.idpf.org/2007/ops">
<head>
<title>TEXTO</title>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8"/>
<link href="../Styles/stylesheet.css" rel="stylesheet" type="text/css"/>
<link href="../Styles/page_styles1.css" rel="stylesheet" type="text/css"/>
</head>
<body id="a24" xml:lang="pt-BR" class="calibre">
<div class="quadro-de-texto-b-sico">
<h2 class="tit3" id="calibre_pb_0"><img alt="20" src="../Images/00025.jpeg" class="calibre7"/></h2>
<p class="miolo-sem-ent"><em class="italico">Procure onde dói mais.</em></p>
<p class="miolo">Bryce se esquivara de dizer a Athalar como o conselho da Rainha Víbora havia sido certeiro. Já tinha dado a ele sua lista de suspeitos... mas o anjo não havia perguntado sobre sua outra exigência.</p>
<p class="miolo">Então, eis o que decidira fazer: compilar uma lista com cada um dos movimentos de Danika uma semana antes de sua morte. No entanto, no momento em que terminava de abrir a galeria para o dia de trabalho, no momento em que descia até a biblioteca para fazer a lista... a náusea a golpeara.</p>
<p class="miolo">Então ela ligou o laptop e começou a esmiuçar os e-mails trocados com Maximus Tertian, seis semanas antes. Talvez encontrasse alguma ligação ali... ou, pelo menos, uma pista dos planos do vampiro para aquela noite.</p>
<p class="miolo">A cada mensagem profissional e insípida que relia, porém, as lembranças dos últimos dias de Danika raspavam a porta vedada de sua mente. Sibilavam e sussurravam como espectros ameaçadores, e Bryce tentava ignorá-las, procurando se concentrar nos e-mails de Tertian, mas...</p>
</div>
</body>
</html>
Gostaria de saber qual a melhor forma de pegar valores dentro das tags do HTML.
Exemplo:
<title>TEXTO</title>
Quero pegar apenas TEXTO
.
<p class="miolo-sem-ent"><em class="italico">Procure onde dói mais.</em></p>
Quero pegar apenas Procure onde dói mais
.
Esse processo se repete em mais 10 páginas iguais a essa.
Já fiz alguma coisa do tipo:
fs.readFile('../output/part0000.html', 'utf-8', function (err, data) {
if(err) throw err;
const cutTab = data.replace(/(\r\n|\n|\r)/gm, "");
const clearText = cutTab.replace(/<p( [a-zA-Z]+="[a-zA-Z]+-[a-zA-Z]+-[a-zA-Z]+">)|<p class="[a-zA-Z]+">|<em class="[a-zA-Z]+">|<\/em>|-|\s+/g, ' ');
const clearSpace = clearText.replace(/\s+/g, ' ')
const endLine= cutTab.replace(/(<\/p>)/g, "</p>#@");
const cutWord = clearSpace.split('#');
console.log(clearSpace);
});
Mas dessa forma estou achando, que assim, terei muito trabalho.
Teria uma forma mais prática? Converter para JSON, XML ou TXT?