PowerShell7でHTMLからテキストを抽出する。

コンピュータ

HTMLファイルのテキスト部分を抽出して読み上げることが出来ないか模索してみます。

PowerHTMLモジュールのインストール

Install-Module -Name PowerHTML
PowerShell7でスクレイピングする方法を模索する。【PowerHTML・HTML Agility Pack】
PowerShell7のInvokeWebRequest()にはParsedHtmlが残念ですが無いので、別の方法を考えてみます。 class=foo1 class=foo2 id=bar ぱくたその「がちゃ」で引いた画像 HTMLのソース...
maywork.net
2022.06.07

コマンド

$html = Invoke-WebRequest "https://maywork.net/computer/ubuntu22-04-automatic1111-web-ui-install/" | ConvertFrom-Html
$html.SelectNodes("//title").innerText + "`n`n" + $html.SelectNodes("//body").innerText
Ubuntu22.04でAUTOMATIC1111版Stable Diffusion WebUIをインストールした話 | 迷惑堂本舗

ショートカットツールc#.NET_Framework.NETWPFWinFormsmonoasp.netxamlMVVMOpenCvSharpコンピュータ自作PCGoDeskMeetdeskminiExcelGIMPjavascriptOpenCVpowershellpythonthinkpad生活家電自動車掃除洗濯防災便利グッツ健康その他行政お金T君ubuntuショートカ ットツールc#.NET_Framework.NETWPFWinFormsmonoasp.netxamlMVVMOpenCvSharpコンピュータ自作PCGoDeskMeetdeskminiExcelGIMPjavascriptOpenCVpowershellpythonthinkpad生活家電自動車掃除洗濯防災便利グッツ健康その他行政お金T君ubuntuUbuntu22.04でAUTOMATIC1111版Stable Diffusion WebUIをインストールした話コンピュータubuntuTwitterはてブ2Pocket02023.03.18画像生成AIのStable DiffusionをWebブラウザから実行する、WebユーザーインターフェイスAUTOMATIC1111をインストールしたいと思います。事前にNVIDIAグ ラフィックドライバーとCUDA Toolkitをインストールしてあります。Ubuntu22.04にNvidia RTX3060のドライバーをインストールした  ... 省略 ...

titleとbody部分のinnerTextを取得することで文字列化することが出来ました。ただ、文章としては余分な情報も多く（ページの作りが悪いのが原因）改行も無いので人間が読むには結構苦痛な感じです。

テキストの読み上げ

文章としては難がありますが、読み上げ機能でコンピュータに読ませてみます。
PowerShellクリップボードのテキストを読み上げる
読み上げたいテキストをコピーした状態で下記のスクリプトを実行するとテキストを読み上げてくれます。 ファイル名:ClipToVoice.ps1 <# .SYNOPSIS クリップボードのテキストを読み上げ .DESCRIPTION SAPI....
maywork.net
2022.05.04
$html = Invoke-WebRequest "https://maywork.net/computer/memory-upgrade-ddr4-64gb/" | ConvertFrom-Html
$html.SelectNodes("//div[@class=""entry-content cf""]").innerText | % -Begin { $s = New-Object -com SAPI.SpVoice } -Process { $s.Speak($_) }

記事の本文が読み上げられました。
余分な情報を排除するためにclassが”entry-content cf”のinnerTextのみを取り出しSAPI.SpVoiceでしゃべらせています。
筆者の文章の文法が怪しいこともありますが、漢字の読み上げミスが目立ちます。これが上手く行けば、ネット小説などを読み上げてオーディオブックが出来上がるかと思いましたが、残念ながら簡単にはいかないようです。

コメント