2009年11月20日(金) 02時21分03秒 [Office系ソフト]

Excelで出力したHTMLから余計なタグ・属性を取り除くMicrosoft製ツールが

WordとかExcelを使ってHTMLを出力すると、（WordやExcel上での表示と似たような）表示形態を維持するための属性や独自CSSが付加された状態で出力されます。
これらの余計な属性を取り除くツールを、Microsoft自身が昔々に公開していました。

■HTML Filter 2.1 for Office 2000（＠Microsoft）

名称の「for Office2000」という表記が気になってはいたんですが......
起動してみましたら、

セットアップ エラー
セットアップ プログラムを実行しようとしましたが、このコンピュータには Office 2000 製品がセットアップされていないことが判明しました。このダウンロード モジュールをインストールする前に、Office 2000 製品をインストールする必要があります。どの製品が Office 2000 製品に含まれるかを調べるためには、http://www.asia.microsoft.com/japan/office/2000/ をご覧ください。

というダイアログが表示されて、実行できず。(笑)
Office 2000よりも新しいOffice XPがインストールされてるんですが、認識してくれなかったようです。（もしくは、認識はしているけど、Office 2000でしか使えないから拒否されたのかな。）

どっちにしても、公開日が2000/07/24ですから、Office XPでの出力には対応してないのかも知れませんー。

で、結局、テキストエディタで正規表現を使って置換して、余計な属性を排除しました。
出力させたい内容が単純だったためか、意外と簡単なステップでいけました。

• まず、XML上下の余計な部分（CSSが書かれた部分など）をバッサリ削除。
• 次に、「 style='.+'」（正規表現）を使ってstyle属性と属性値を削除。
• 次に、「 class=.+?>」を「>」に置換して、class属性を削除。（※Excelが吐くclass属性には引用符が付加されていないので、タグの終わりである「>」を使ってこう変換するしかなかった。あと、最小一致「?」を指定しないと、広範囲が対象になっちゃうので注意。）
• 次に、「 height=.+?>」を「>」に置換して、height属性を削除。

……これで、だいたい削除できました。

純粋にtable系タグだけを使った出力にしてくれるツールって公開されてないのかなあ。
まあ、テキストエディタでマクロを組めば、ほとんど自動化できそうな気もしますけど。