使用正则表达式提取HTML的部分

我有一个简单的要求，在HTML中提取文本。假设HTML是使用正则表达式提取HTML的部分

 
<h1>hello</h1> ... <img moduleType="calendar" /> ...<h2>bye</h2>

我想把它转换成三个部分

 
<h1>hello</h1>

 
<img moduleType="calendar" />

 
<h2>bye</h2>

目的是两类，简单的HTML和特殊标签来提取文本与< IMG moduleType = “日历”。

来源

2010-04-22 Fred Yang

/我叹了口气......另一个“如何解析HTML与正则表达式”的问题... – 2010-04-22 19:11:43

你在什么语言编码？有可能比正则表达式更好的解决方案，许多语言都有DOM解析器。另外，您可能想要接受其他一些问题的答案，以提高未来答案的质量和数量。 – 2010-04-22 19:12:34

http://stackoverflow.com/questions/1732348/regex-match-open-tags-except-xhtml-self-contained-tags/1732454#1732454 – 2010-04-22 19:16:37

这取决于您使用的语言和上下文。我在CMS上做了类似的事情，我的方法是首先查找标签，然后查找属性。

获取广告代码

"<img (.*?)/>"

然后，我通过结果搜索如果你想找到的所有属性，你可以很容易改变的明确所有权，正则表达式[AZ]针对特定属性

'title="(.*?)"'

，或非空白字符，然后遍历这些结果。

来源

2010-04-22 19:16:59

对抗downvotes你会得到 - 欢迎来到SO; - ）在答案中包含已知问题/限制。使用正则表达式进行HTML解析几乎总是被禁止的。 – 2010-04-22 20:02:29

不要那样做; HTML可以用很多美丽的方式打破。改为使用beautiful soup。

来源

2010-04-22 19:19:14 florin

我实际上试图做类似的事情，因为asp.net编译器将标记编译成服务器控件树，正则表达式被asp.net编译器大量使用。我有一个临时解决方案，虽然不好，但似乎没问题。

 
//string source = "<h1>hello</h1>"; 
string source = "<h1>hello<img moduleType=\"calendar\" /></h1> <p> <img moduleType=\"calendar\" /> </p> <h2>bye</h2> <img moduleType=\"calendar\" /> <p>sss</p>"; 
Regex exImg = new Regex("(.+?)(<img.*?/>)"); 

var match = exImg.Match(source); 
int lastEnd = 0; 
while (match.Success) 
{ 
    Console.WriteLine(match.Groups[1].Value); 
    Console.WriteLine(match.Groups[2].Value); 
    lastEnd = match.Index + match.Length; 
    match = match.NextMatch(); 
} 
Console.WriteLine(source.Substring(lastEnd, source.Length - lastEnd));

来源

2010-04-23 00:01:10

使用正则表达式提取HTML的部分

回答

相关问题