C＃使用正则表达式分析html代码

我在C＃中遇到了正则表达式的问题。我想分析一个简单的网页的HTML代码。它看起来像这样：C＃使用正则表达式分析html代码

<td class="ivu_table_c_dep"> 12:05 </td> 
<td class="ivu_table_c_line"> Bus 398 </td> 
<td> 
<img src="/IstAbfahrtzeiten/img/css/link.gif" alt="" />&nbsp; 
    <a class="catlink" href="http://mobil.bvg.de/Fahrinfo/bin/stboard.bin/dox?boardType=dep&input=S Mahlsdorf!&time=12:05&date=15.02.2012&&amp;" title="interner Link: Information zu dieser Haltestelle">S Mahlsdorf</a>

我想知道的是“12:05”，“巴士398”和“S Mahlsdorf”。随着第2个部分，我得到它与下面的代码工作：

Regex HTMLTag = new Regex("ivu_table_c_dep\">([^<>]*)</td>([^<>]*)<td class=\"ivu_table_c_line\">([^<>]*)</td>");

但我不明白的3部分。我尝试添加 “（[^（\”>）] ）（[^ <>]）”但它doesnt't工作

来源

2012-02-15 user1000698

强制性：http://stackoverflow.com/questions/677038/how-to-use-regular-expressions-to -parse-html-in-java – Oded 2012-02-15 10:59:48

更强制性的：http://stackoverflow.com/questions/1732348/regex-match-open-tags-except-xhtml-self-contained-tags – 2012-02-15 11:24:35

当您知道文本的结构时，使用正则表达式作为快速和肮脏的解决方案是可以的。毕竟，人们在这里克隆通过序列化和反序列化他们... 对象你会用小助手功能更好的，像这样的：

static string gettext(string text, string tag, string cl) { 
    string re = string.Format(@"<\s*{0}[^>]+?class\s*=\s*[""']?{1}[^>]*>([^<]*)", tag, cl); 
    return Regex.Match(text, re).Groups[1].Value; 
}

脆弱，但它仍然可以在简单的情况下使用，像你的。它提取从给定的标签文本（第一文本节点，实际上）与给定类：

Console.WriteLine(gettext(text, "td", "ivu_table_c_dep")); // 12:05 
Console.WriteLine(gettext(text, "td", "ivu_table_c_line")); // Bus 398 
Console.WriteLine(gettext(text, "a", "catlink"));   // S Mahlsdorf

来源

2012-02-15 11:33:01 user1096188

使用HTML Agility Pack分析和查询HTML而不是正则表达式。 - 看到this answer一个令人信服的理由，为什么正则表达式是一个贫穷的解决方案，一般解析HTML。

这是一个灵活的HTML解析器，建立一个读/写DOM和支持纯XPath或XSLT（你居然没有理解XPATH和XSLT来使用它，别担心......）它是一个.NET代码库，它允许你解析“离开网页”的HTML文件，解析器对“真实世界”格式错误非常宽容HTML。对象模型与wha非常相似t建议System.Xml，但对于HTML文档（或流）。

Html Agility Pack现在支持Linq to Objects（通过LINQ to Xml Like界面）。看看使用此功能玩的新测试版

来源

2012-02-15 11:00:41 Oded

C＃使用正则表达式分析html代码

回答

相关问题