如何从一个文件中提取中文字符

aaaaa5aa

现有一个网页内容，我怎么从其中提取出中文字符来

1. <strong class="title">javascript:if(confirm('http://ikan.pptv.com/p/10789711/  \n\nτ¼��Teleport Pro ȡ»أ¬ӲΪ ̼μœ&#773314;·¾¶3¬1��ʨ׃μķ¶Χ¡￡  \n\nţҪ′ӷ�ϴ&#785099;�))window.location='http://ikan.pptv.com/p/10789711/'" tppabs="http://ikan.pptv.com/p/10789711/" target="_ikanp" title="美女匪帮" jsvalue="hightlight">美女匪帮</a>
   
2. <dd class="intro">
   
3. 党中央专区首长同志的女儿塔尼亚在敖德萨旅游的三天里，正赶上一个外号叫“会计师”的坏人的行动，扑朔迷离的绑架，扣人心弦的歼灭战，浪漫的爱情、坚固的友情和伟大的亲情穿插其中。最后坏…</dd>
   
4. 导演：暂无信息

复制代码

请问我怎么提取：

1. 美女匪帮
   
2. 
   
3. 党中央专区首长同志的女儿塔尼亚在敖德萨旅游的三天里，正赶上一个外号叫“会计师”的坏人的行动，扑朔迷离的绑架，扣人心弦的歼灭战，浪漫的爱情、坚固的友情和伟大的亲情穿插其中。最后坏…</dd>
   
4. 导演：暂无信息

复制代码

来呢

lenovo

我对网页格式不懂。
中文字符是在特定格式下才会出现还是说这个文档
里面任何一个字符都可能是中文字符？
如果是有格式的，你解析格式既可。
否则的话，你需要得到文件的编码方式，然后根据编码方式
遍历每个字符来判断是不是中文字符。
像gb2312和utf-8，它们对中文字符的编码不同。

aaaaa5aa

这个还没解决

OwnWaterloo

回复 1# aaaaa5aa

一段 elisp 代码：

1. 
   
2. ":";exec emacs --script $0 $*
   
3. (setq-default enable-multibyte-characters nil)
   
4. (ignore-errors
   
5.   (let (line)
   
6.     (while t
   
7.       (set 'line (string-to-multibyte (read-from-minibuffer "")))
   
8.       (dotimes (i (length line))
   
9.         (when (eq 'chinese-gbk (char-charset (aref line i)))
   
10.           (write-char (aref line i)) ) )
    
11.       (write-char ?\n) ) ) )
    

复制代码

1. 
   
2. ./extract.el < input.htm > chinese.txt
   
3. 
   
4. τμ·μΧ￡′美女匪帮美女匪帮
   
5. 
   
6. 党中央专区首长同志的女儿塔尼亚在敖德萨旅游的三天里，正赶上一个外号叫“会计师”的坏人的行动，扑朔迷离的绑架，扣人心弦的歼灭战，浪漫的爱情、坚固的友情和伟大的亲情穿插其中。最后坏…
   
7. 导演：暂无信息
   

复制代码

前面几个古怪的字母也被算进去了……



完成主要功能的是那个 char-charset 函数， 可以获得一个字符所属的charset。
ascii, unicode, chinese-gbk, latin-iso8859-2 等。
（这方面的术语很混乱， 反正 Emacs 把上述这些叫做 charset）

unicode 标准除了规定每个character 的 codepoint， 可能还有规定那些区间是属于哪些文字吧。