Question

我有一个HTML页面，其中包含一些我想从网络服务器下载的文件名。我需要读取这些文件名才能创建一个列表，该列表将传递给我从服务器下载文件的Web应用程序。这些文件名有一些扩展名。

我已经开始讨论这个话题但除了 -

之外没有任何东西

正则表达式无法用于解析HTML。
使用HTML Agility Pack

没有别的方法可以搜索HTML文件中带有类似filename.ext的模式的文本吗？

包含文件名的示例HTML -

 <p class=3DMsoNormal style=3D'margin-top:0in;margin-right:0in;margin-bottom=:0in; margin-left:1.5in;margin-bottom:.0001pt;text-indent:-.25in;line-height:normal;mso-list:l1 level3 lfo8;tab-stops:list 1.5in'><![if !supportLists]> <span style=3D'font-family:"Times New Roman","serif";mso-fareast-font-family:"Times New Roman"'><span style=3D'mso-list:Ignore'>1.<span style=3D'font:7.0pt "Times New Roman"'>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;
    </span></span></span><![endif]><span style=3D'font-family:"Times New Roman","serif"; mso-fareast-font-family:"Times New Roman"'>**13572_PostAccountingReport_2009-06-03.acc**<o:p></o:p></span></p>

我无法使用HTML Agility Pack，因为我不允许下载和使用任何应用程序或工具。

这是否可以通过任何其他逻辑来实现？

这是我到目前为止所做的事情

string pageSource = "";
            string geturl = @"C:\Documents and Settings\NASD_Download.mht";
            WebRequest getRequest = WebRequest.Create(geturl);
            WebResponse getResponse = getRequest.GetResponse();
            using (StreamReader sr = new StreamReader(getResponse.GetResponseStream()))
            {
                pageSource = sr.ReadToEnd();
                pageSource.Replace("=", "");
            }
           var fileNames = from Match m in Regex.Matches(pageSource, @"[0-9]+_+[A-Za-z]+_+[0-9]+-+[0-9]+-+[0-9]+.+[a-z]")
                          select m.Value;
            foreach (var s in fileNames)
                Response.Write(s);

由于每个文件名中出现一些“=”，我无法获取文件名。如何删除pageSource string

提前致谢

AKHIL

Answer 1

嗯，知道regex不适合在HTML中查找值：

var files = [];
var p = document.getElementsByTagName('p');

for (var i = 0; i < p.length; i++){
    var match = p[i].innerHTML.match(/\s(\S+\.ext)\s/)

    if (match)
        files.push(match[1]);
}

Live DEMO

注意：阅读问题的评论。

如果扩展名可以是任何内容，您可以使用：

var files = [];
var p = document.getElementsByTagName('p');

for (var i = 0; i < p.length; i++){
    var match = p[i].innerHTML.match(/\b(\S+\.\S+)\b/)
    console.log(match)
    if (match)
        files.push(match[1]);
}
document.getElementById('result').innerHTML = files + "";

但这真的不可靠。

Live DEMO

Answer 2

好吧，你可以使用正则表达式来提取看起来像文件名的东西。因为，正如您正确指出的那样，正则表达式不会解析 HTML，您可能会得到误报，即您可能会得到看起来像文件名的结果但不是。

我们举一个例子：

string html = @"<p class=3DMsoNormal ...etc...";

var fileNames = from Match m in Regex.Matches(html, @"\b[A-Za-z0-9_-]+\.[A-Za-z0-9_-]{3}\b") 
                select m.Value;

foreach (var s in fileNames)
    Console.WriteLine(s);
Console.ReadLine();

这将返回

1.5in
1.5in
7.0pt
13572_PostAccountingReport_2009-06-03.acc

您会看到，将返回看起来像文件名的HTML内容。当然，您可以优化正则表达式（例如，将+替换为{3,}，以便点之前的部分至少需要三个字符），以便此示例中的误报为过滤掉了。不过，它总是一个近似结果，而不是一个确切的结果。

Answer 3

由于1.5in -.25in 7.0pt等等，可能无法使用常见模式获取文件名，尝试更具体（如果可能），例如 /[a-z0-9_-]+\.[a-z]+/gi或
/>[a-z0-9_-]+\.[a-z]+</gi（包括标记）或甚至是 />\d+_PostAccountingReport_\d+-\d+-\d+\.[a-z]+</gi

从<p> ... </p>标记中提取文本或直接从HTML文件中提取文本

3 个答案: