(VB複数htmファイルからのテキストデータの抽出

質問

フォルダに入った複数のhtmファイルからテキストデータだけを抽出することを考えています。

ExcelVBAで下記のように記載しましたが、テキストだけではなく,htmlタグもコピーされてしまいます。
どのように修正すればよいでしょうか。
どなたか教えて頂けないでしょうか。

Sub ConvertHTMLtoTXT()
Dim htmlFilePath As String
Dim txtFilePath As String
Dim htmlContent As String
Dim txtContent As String

' HTMLファイルのパスを指定する
htmlFilePath = "F:\test\0000AC4A.htm"

' TXTファイルのパスを指定する
txtFilePath = "F:\test\0000AC4A.txt"

' HTMLファイルを開く
Open htmlFilePath For Input As #1

' HTMLファイルの内容を読み込む
htmlContent = Input$(LOF(1), #1)

' HTMLファイルを閉じる
Close #1

' HTMLタグを除去してテキストデータを抽出する
txtContent = RemoveHTMLTags(htmlContent)

' TXTファイルにテキストデータを書き込む
Open txtFilePath For Output As #2
Print #2, txtContent
Close #2

MsgBox "HTMLファイルがテキストファイルに変換されました。"
End Sub

Function RemoveHTMLTags(htmlText As String) As String
' 正規表現を使用してHTMLタグを除去する
Dim regEx As Object
Set regEx = CreateObject("VBScript.RegExp")

' HTMLタグを検索するパターン
regEx.Pattern = "<[^>]+>"

' HTMLタグを除去する
RemoveHTMLTags = regEx.Replace(htmlText, "")

' 正規表現オブジェクトを解放する
Set regEx = Nothing
End Function

回答No.1

NuboChan · ベストアンサー

以下では　？
（コード検証していないので処理できるかは？不明です。）

Sub ExtractTextFromHTMLFiles()
Dim fso As Object
Dim folder As Object
Dim file As Object
Dim text As String
Dim i As Integer

' フォルダを選択するダイアログを表示
Set fso = CreateObject("Scripting.FileSystemObject")
Set folder = fso.GetFolder("フォルダのパス")

' フォルダ内のすべてのHTMLファイルを処理
For Each file In folder.Files
If Right(file.Name, 4) = ".htm" Or Right(file.Name, 5) = ".html" Then
' ファイルを開く
Open file.Path For Input As #1

' ファイルからテキストを読み込む
Do Until EOF(1)
Line Input #1, text
' HTMLタグを除去
text = StripHTML(text)
' テキストを出力
Debug.Print text
Loop

' ファイルを閉じる
Close #1
End If
Next file
End Sub

' HTMLタグを除去する関数
Function StripHTML(text As String) As String

Dim regEx As Object

Set regEx = CreateObject("VBScript.RegExp")

regEx.Pattern = "<[^>]+>"
regEx.Global = True
StripHTML = regEx.Replace(text, "")

Set regEx = Nothing

End Function

お礼

修正案ありがとうございます。

早速やってみたところ、DIVタグの箇所だけ抽出されました。

<DIV CLASS="PABDEF_RTID1_6"><SPAN CLASS="Def_Sans_Serif" STYLE="color:#000000;font-size:10pt;line-height:1.1em;"></SPAN><BR></DIV>

「regEx.Pattern = "<[^>]+>"」の箇所で上記のhtmlタグも消去されると思ったのですが、何か不足しているのでしょうか。