网页文章下载整理之--体验
VIM 篇
作者：无奈何@cn-dos.net
VIM
拥有强大的功能和灵活的可定制性让喜爱它的人为此痴迷。我虽是刚刚入手，但已经领略了它的非凡。下面以
windows 下实际应用的一个例子来体验一下 VIM
强大的文字处理及多程序协作的能力。希望通过这种实例形式的体验，引起大家对
VIM 的兴趣。本文不对 VIM
的基本操作做太多介绍，只是说明涉及到需要使用的命令及操作。如果想了解更多请查看手册或搜索网络上大量的关于
VIM 的优秀文章。
在网上看到《YY先生语录》很是喜欢作者这种基于
生活的幽默风格，于是便想将所有的语录收集下来，很自然的来到了作者的主页：http://web.mblogger.cn/philewar/category/612.aspx
。我们接下来要做的就是将列表中的所有文章收集起来。思考一下怎样完成我们的任务，首先需要整理出目录列表，下载列表中的网页；然后整理出文章链接，下载所有链接中的网页；最后顺序合并网页整理出我们需要的内容。
浏览观察一下上面给出的链接，发现目录列表是很有规律的，从
...612.aspx?p=1 到 ...612.aspx?p=13
。现在开工，当然首先需要正确安装 VIM
并能运行，启动 gvim 也可以启动 vim 。启动后的 gvim
在普通模式下工作，我们想将所有的文件放在某一目录，比如
D:\YY
目录，我们要执行一系列命令来完成，所以需要切换到命令模式。听起来蛮复杂的，事实上是很简单的，只需输入":"此时光标定位于窗口最下面等待我们输入命令。依次输入下列命令：
----------
:cd D:\
:sil !md YY
:cd YY
----------
此时我们已经在 D:\YY 目录下工作了，可以理解为我们
CMD 下的当前目录。说一下第二行":sil !md YY"
不要写成":sil! md YY" 后者是不会执行的，在 VIM
命令模式下 !
表示执行外部命令，此外的其他含义我们后面的例子中再谈。
:sil 是 :silent
的简写其含义是静默方式执行命令，此行可以改写为"!md
YY"但是会弹出确认窗口，我们并不需要所以以 :sil
方式调用。此行完整的解释是以静默方式调用外部命令"md
YY"
准备就绪，我们生成从第 1 页到第 13 页的列表，VIM
下有多种方式完成，我们来体验一下典型的 3 种。
○替换方式：
首先复制第一页地址
http://web.mblogger.cn/philewar/category/612.aspx?p=1
到剪贴板，在 gvim 中按 <S-Insert> 粘贴文本，<S-Insert>
是组合键 Shift + Insert
，其下内容遵从这种简写方式，如：<C-a> 表示 Ctrl + a
。第一行内容出现在文本窗口了，在普通模式下按下 Y
复制当前行，不清楚当前在何种模式下工作的话两次按下
<ESC> 保证退回到普通模式下了。然后键入 12p
第一行被复制了 12 次，一共有 13
行文本了。执行下面命令：
----------
:%s/\d\+$/\=line(".")/
----------
我们想要的列表生成完成了，解释一下 %
表示对所有行执行操作；S/1/2/ 是替换命令，替换 1 为
2 ；\d\+$ 是
正则表达式，匹配行尾的连续数字；\=
是表达式求值；line() 是求行号函数； .
代表当前行。合起来的意思就好理解了，在所有行上执行替换命令，替换行尾的连续数字为当前行号。再来看看第二种方式。
○宏操作方式：
先两次按下 u 撤回到有 1
行文本那一步，不小心按多了的话，按 <C-r>
重做。依次按下 qaYp$<C-a>q
这时会发现有两行递增的文本了，我们将这个操作录制到宏
a 中了，我们多次调用一下这个宏，键入 11@a
我们要的列表又一次被生成了，其中 @
代表宏调用，我们让这个宏执行了 11 次。注意在
windows 下默认安装 VIM 后，<C-a> 被重新映射，以迎合
windows
下全选的习惯，但这无疑是一种损失，你可以重新定义映射，或者简单的屏蔽掉
windows 按键习惯定义。修改 VIM 安装目录下的 _vimrc
找到 source $VIMRUNTIME/mswin.vim
与 behave mswin
所在行并在行首添加双引号将其注释掉。
○外部命令方式：
是不是上面的两种操作有些晕头，身为 DOS联盟
的一员，我们是不是更喜欢交给我们熟悉的 CMD
来处理这样的问题。好吧，将所有文本删除，依次键入
ggdG 是不是文本消失了。执行下面的命令：
----------
:% !for /l \%i in (1,1,13) do
@echo.http://web.mblogger.cn/philewar/category/612.aspx?p=\%i
----------
怎么样，我们熟悉的命令又派上用场了，又一次完成了任务。VIM
命令模式和 CMD 下唯一的区别就是 % 要 \% 转义一下。
接下来就是将这些链接下载下来，netrw
插件可以完成网页的下载（需要
wget.exe），我们不用这个插件自己来处理。首先到这个页面：http://users.ugent.be/~bpuype/wget/
下载 wget.exe 置于系统可搜索到的路径下。切回到 gvim
窗口，执行下面的命令：
----------
% !wget -i - -w 3 -q -O -
----------
执行完这个命令，gvim 会抛出一个 CMD
命令窗口，我们只需要等待命令结束，等待时间因网速快慢而不等。利用这个时间解说一下
wget的这几个参数，-i 是读取网址列表文件，-
表示从命令行标准输出获取；-w
是下载每个网页后的等待时间，由于这个网站的原因连续下载会下载到与前一次重复的内容，等待
3 秒后就没问题了；-q 不输出下载信息；-O -
文件输出到命令行终端。下载完成了，我们的文本窗口一下多了九千多行，是不是很爽。（提醒：我们这里重点只是谈
VIM
与外部命令的协作，在我的多次实验中，这种方式偶尔会不稳定，如果在接下来的步骤中发现文本和我提到的有少许的差异，比如某行多出几个
...
也不要吃惊，手动修改一下继续我们的体验。在文章后面会有更好方法的介绍。）赶快浏览一下文件，执行查找命令：
----------
/YY先生语录\D\+
----------
按 n
键粗略浏览一下，发现我们想要提取的链接地址所在行比较固定，特征字符是"_TitleUrl",我们将其他无用的行都删除掉，依次执行下面的命令：
----------
:g!/_TitleUrl/d
:%s/.*href="//
:%s/"> */\t/
:%s/<\/a>.*//
----------
第一行是一个全局命令，将不符合匹配的行全部删除，这是前面我们提到的
!
的另一种用法，在模式地址前面表示取反。下面三行的替换命令比较简单，我们也可以将其合并为一条命令
:%s/^.*href="\([^"]*\)"> *\([^<]*\).*/\1\t\2/
。随后发现列表是逆序的我们不满意这种排列方式，动手将其翻转一下，执行命令：
----------
:g/^/m0
----------
这是一个让人费解的命令，有必要解释一下，匹配模式
/^/
表示每一行，因为每一行必然存在不可见的"行首"，所以任何行都不会落下都被匹配；m0
将匹配行移动到 0
行，这是个虚拟的地址，表示文件的最顶部。很自然的每一行都移动到顶部了，所以文件就被翻转了。观察一下发现不在《YY先生语录》顺序号之内的行也夹杂在其中，比如
YY先生语录前传x
，我们将不合群的行移动到列表最后，并排列一下顺序，执行命令：
----------
:g!/\(YY先生语录\|YY(\)\d\+/m$
:/YY先生语录296/+1,$ sort /.*\t/ n
----------
上面第一行的命令是将不符合匹配模式的行移动到文本最后，想看看这个正则表达式到底匹配什么呢？直接输入
/\(YY先生语录\|YY(\)\d\+/
回车后便会看到匹配结果。第二条命令有些复杂，完成的功能是将
YY先生语录296
之后一行到结尾的行排序，排序的规则是忽略<TAB>之前的内容，并按数字升序排序。这个排序功能是不是很强大，想了解更多可以执行这个命令：:help
:sort
查看。我们可以手动将其他不想要的行删除比如：XX女士语录
一行，移动光标到此行在普通模式下按 dd
便可删除一行。文本中制表符之后的内容只是帮助我们整理行序的，现在没有用了我们将其删除掉。
----------
:%s/\t.*//
----------
到现在我们还没有保存文件，执行这个命令保存一下。
----------
:w list.txt
----------
接下来要做的就是将这些所有的链接下载下来，执行下面的命令：
----------
:!wget -w 3 -nc -k -i %
----------
此次执行 wget 下载有两个不同于上次的参数，-nc
不下载已经存在的文件；-k
转换相对链接为绝对链接。我们看一下这一次的命令有什么特点。由于下载的文件较多在网络状况不好的情况下，不能保证每个文件都能正确下载，虽然这种情况极少出现，-nc
给了我们重新检查一次的可能，完全可以将刚才的命令重新运行一下检查一下有没有遗漏的文件没有下载。-k
参数对于含有链接与帖图的网页的后期整理是非常有用处的，如果想保留下这些信息的话。wget
默认将下载相关信息输出到屏幕，我们可以随时查看下载进度，观看屏幕的闪动比无预期的等待要舒服多了。好了我们需要的文件下载完成了，关掉
CMD 窗口，回到 gvim 我们将文件合并起来。
----------
:% !for /f \%i in (%) do @type \%~nxi
----------
执行完后所有的文件按我们前面的排列顺序被合并在了一起。在普通模式下按下
G 跳转到文章最后，好家伙有 17
多万行，虽然文本比较巨大，但不要担心 VIM
的速度。按 <C-b> <C-f>
前后翻页，粗览一下我们想要的文字藏在哪里，找到文本块的特征字符。再按下
G 跳转到文章最后，按下 ma
我们作个标记，然后执行一下下面的命令。
----------
:g/<div class="post">/,/<\/div><link/m$
----------
这样我们需要的部分被放置到文件的最后，按下 'a
转到标记处，按下 dgg
将标记之前的内容删除，另存一下。
----------
:saveas YY.txt
----------
gvim
自动切换到我们另存的文件上来，这样我们下面所作的修改都是针对这个已经过滤过的新文件了。剩下的没有太多的技巧了，执行一系列的替换，下面命令的可以替换掉网页标签和常用的实体字符，当然有一些并不一定都会出现在这个文本里。
----------
:%s/[ \t]*<[^>]*>//g
:%s/"\|"/"/g
:%s/&\|&/\&/g
:%s/<\|</</g
:%s/>\|>/>/g
:%s/ / /g
:%s/·\|·/·/g
:%s/…/.../g
:%s/–\|–/-/g
:%s/—\|—/-/g
:%s/‘\|‘/'/g
:%s/’\|’/'/g
:%s/“\|“/"/g
:%s/”\|”/"/g
----------
然后执行一系列的替换完成最后的格式整理。
----------
:%s/\r//g
:%s/^[ \t]*//g
:%s/^$\n//g
%s/^\d\+年\d\+月\d\+日.*/\t\t&\r\r/g
----------
可以直接到这里查看整理后的效果，http://www.cn-dos.net/forum/viewthread.php?tid=24956
我们辛苦敲入的这些命令难道只是为了完成这次的任务吗？不是的。VIM
可以将命令和操作存为脚本多次执行，具体如何实现只能下回分解了。
尾注：本篇是 VIM 的实例应用，并没有对 VIM
基本操作做过多介绍，对于
新手照着文章一步步做下来是很困难的，推荐先阅读一下
VIM 帮助自带的 30 分钟教程 vimtutor
，可以到这个页面：http://vimcdoc.sourceforge.net/
下载中文版帮助。
