Ms word HTML整理，清理MS Word标记

拥有10年的归档文章数据，其中大部分都充斥着MS Word另存为html标记，如

首先，html是否能够完成剥离MS Word生成的标记的任务，还是需要采取另一种方法

其次，前几年的文章按月份进行全局合并，并作为文本存储类型存储在数据库中。我非常喜欢将这些内容分成单独的文章，这样我可以使网站更容易搜索（即，当搜索词/短语匹配时，不会显示整整一个月的新闻）。我必须使用的唯一清晰模式是文章标题（粗体，16-20px之间）和文章日期，通常为10px；标题和日期都显示在文章正文文本之前。当我没有精确的标记可匹配时，是否有方法检测标记的

-性或

-性

这可能是几乎不可能回答的，但总的来说，你会采取什么方法来完成这项不令人满意的任务？；-）我在Scala的JVM上，但也可以在LAMP堆栈上完成清理工作

---

感谢您的想法

如果我是你，我会使用我最喜欢的Perl工具包。If非常适合处理复杂和模糊的问题，比如你的问题