Excelからのhtmlをどうにかする (nni's blog)

まったく面白くない話です。普通の方はスルーしてください。

みんごるのWebPageで、Excelで作った表を載せているのですが、Excelでhtml形式でセーブするとすっごいコードを吐き出します。なにかっていうと、全部の漢字の読み(フリガナ?)が勝手にへばりつくのです；；。
IEとかOperaで見ると見えないのですが、どうもなにかのブラウザーだと丸見えらしいのです。
　
たとえば、以下のような感じ。表の中に「所属」と書いておくとこんな感じのhtmlが出てきます。
　
<ruby>所属<rt>ショゾク</rt></ruby>
　
このrubyタグというのルビ振り用のタグです。ご丁寧にspan styleというので表示されないようにしている模様なのですが、これが環境によっては見えてしまうわけですね。また、見えなくてもIEで範囲指定してコピー&ペーストすると　所属ショゾク　となります　orz
　
　これが　M　S　ク　ォ　リ　テ　ィ　！！！
　
つうか、逃げ方がわかりません；；。オプションやらなんやらちょっと見たけど設定なさそうだし、ヘルプを2分見たけどわかりません。もしexcelからhtmlでセーブする時点でこうならない方法を知っている人がいたら教えてください；；
ちなみに、なぜこうなっているのかというのはぐぐって探して理解しました。どうも再変換という機能のためにWordだとかExcelは変換前の文字列を保持しているようなんですね....。それをhtmlにしたあとでもできるように無理くり埋め込んでるようです。もうかんべんしてください。(でもぐぐっても逃げ方はわからんかった)
　
　
.....いや正確に言うと、逃げ方が一つはわかっています。(試行錯誤で私が開発)
　1. まず Excel 5.0/95 形式でセーブする
　2. それを開いて、htmlでセーブする
　3. そうするとOK!
　
以前はこうしていました。しかしながらワークシート中にハイパーリンク(http)を埋め込むようにしてしまったため、こうするとハイパーリンクもすっ飛ぶことになり、泣く泣くとんでもねーhtmlだと思いながらrubyまみれのhtmlを公開したわけです。
　
そうしたところ、

ふりがなみたいのがが見えてリスト見にくいのは仕様？ｗ

やっぱキタ━━(゜∀゜)━━!!

京ぽんのOpera搭載PHSです
画面小さいんで3種類の画面表示ﾓｰﾄﾞが選べるのですが携帯ﾓｰﾄﾞって奴だとふりがな地獄に…
他のﾓｰﾄﾞだと出ませんが、一番軽いﾓｰﾄﾞなので…
　
あとIEでも画面を範囲指定してNOTEPADへコピペなんかしたときには、もれなくふりがなが…

きょ....京セラのPHS　ΣΣ(゜д゜lll)ズガーン!!
そりゃまともに見えるわけが...　ι(´Д｀υ)アゥアゥアー
　
　
しょうがないのでsedでとっぱらうことにしました。
とりあえず　<rt>～任意の文字列～<rt>　を消すということで、ひさびさにsed使うので完璧忘れていたのをsedのサイトをちょっとみながら作ったスクリプトは以下。

(rt_del.sed)
s/<rt>.*<\/rt>//g

これをこう実行してさくっとな

prompt> sed -f rt_del.sed <old.html >new.html

いやぁDOS世代ってことがバレバレですなｗ
DOSプロンプトなけりゃやってられないですわなｗ
　
さてさて、とりあえずこれでサイトの修正は終わったのですが、よく考えてみればPHSでアクセスしているという剛の者もいることだし、もうすこしサイズ削減を狙ったほうがよいわけで。
　置換前：　<ruby>任意の文字列1<rt>任意の文字列2</rt></ruby>
　置換後：　任意の文字列1
こういう変換ができるのがsedの強みっすな。
　
とはいえ、さっきのサイトだけではこのへんの書き方は載ってないので、違うサイトを参考に。
このsed教室ってむかしむかーしからあるよなぁ(懐かしい
　
悩みながら書いたスクリプトがこちら。(spanのとこは面倒なのでさぼった書き方ｗ)

(ruby_del.sed)
s/<ruby>\(.*\)<span.*<rt>.*<\/rt><\/span><\/ruby>/\1/g

実行すると、取れたり取れなかったりしている....謎だ.....と思ったら
excelが悪いのかホムペジビルダーが悪いのか(多分前者)、途中で改行はさまってるとこがあるー(怒
そりゃhtml的には改行はいいんだろうけどさ。もうこれで途中改行も考慮するなんて無理! 絶対無理!
しょうがないので　<rt>～</rt>　までに改行がないことを祈りつつ、rt_del.sedのコードも入れてみることに。