正则表达式提取<div>标签</div>的内容

Question

这里有一点大脑冻结所以我希望得到一些指示，基本上我需要提取特定div标签的内容，是的我知道正则表达式通常不会被批准，但它是一个简单的网页在没有嵌套div的情况下抓取应用程序。

我正在尝试匹配这个：

    <div class="entry">
  <span class="title">Some company</span>
  <span class="description">
  <strong>Address: </strong>Some address
    <br /><strong>Telephone: </strong> 01908 12345
  </span>
</div>

简单的vb代码如下：

    Dim myMatches As MatchCollection
    Dim myRegex As New Regex("<div.*?class=""entry"".*?>.*</div>", RegexOptions.Singleline)
    Dim wc As New WebClient
    Dim html As String = wc.DownloadString("http://somewebaddress.com")
    RichTextBox1.Text = html
    myMatches = myRegex.Matches(html)
    MsgBox(html)
    'Search for all the words in a string
    Dim successfulMatch As Match
    For Each successfulMatch In myMatches
        MsgBox(successfulMatch.Groups(1).ToString)
    Next

非常感谢任何帮助。

Answer 1

你的正则表达式适用于你的例子。不过应该做一些改进：

<div[^<>]*class="entry"[^<>]*>(?<content>.*?)</div>

[^<>]*表示“匹配除尖括号之外的任意数量的字符”，确保我们不会意外地突破我们所处的标记。

.*?（注意?）表示“匹配任意数量的字符，但只能尽可能少”。这样可以避免匹配页面中的第一个<div class="entry">标记。

但是你的正则表达式本身应该仍然匹配某些东西。也许你没有正确使用它？

我不知道Visual Basic，所以这只是在黑暗中拍摄，但RegexBuddy建议采用以下方法：

Dim RegexObj As New Regex("<div[^<>]*class=""entry""[^<>]*>(?<content>.*?)</div>")
Dim MatchResult As Match = RegexObj.Match(SubjectString)
While MatchResult.Success
    ResultList.Add(MatchResult.Groups("content").Value)
    MatchResult = MatchResult.NextMatch()
End While

我建议不要再使用正则表达式。如果你坚持，你最终会得到如下所示的怪物正则表达式，这只有在div内容的形式永远不变的情况下才会起作用：

<div[^<>]*class="entry"[^<>]*>\s*
<span[^<>]*class="title"[^<>]*>\s*
(?<title>.*?)
\s*</span>\s*
<span[^<>]*class="description"[^<>]*>\s*
<strong>\s*Address:\s*</strong>\s*
(?<address>.*?)
\s*<strong>\s*Telephone:\s*</strong>\s*
(?<phone>.*?)
\s*</span>\s*</div>

或（看到VB.NET中多行字符串的乐趣）：

Dim RegexObj As New Regex(
    "<div[^<>]*class=""entry""[^<>]*>\s*" & chr(10) & _
    "<span[^<>]*class=""title""[^<>]*>\s*" & chr(10) & _
    "(?<title>.*?)" & chr(10) & _
    "\s*</span>\s*" & chr(10) & _
    "<span[^<>]*class=""description""[^<>]*>\s*" & chr(10) & _
    "<strong>\s*Address:\s*</strong>\s*" & chr(10) & _
    "(?<address>.*?)" & chr(10) & _
    "\s*<strong>\s*Telephone:\s*</strong>\s*" & chr(10) & _
    "(?<phone>.*?)" & chr(10) & _
    "\s*</span>\s*</div>", 
    RegexOptions.Singleline Or RegexOptions.IgnorePatternWhitespace)

（当然，现在你需要存储MatchResult.Groups("title")等的结果......）

Answer 2

尝试使用RegexOptions.Multiline代替RegexOptions.Singleline

感谢@Tim指出上述内容不起作用......我的不好。

@Tim的答案很好，应该是接受的答案，但是阻止你的代码工作的额外部分是Group(1)没有第二组返回。

更改...

MsgBox(successfulMatch.Groups(1).ToString)

要...

MsgBox(successfulMatch.Groups(0).ToString)

Answer 3

使用这个

<div.*?class=""entry"".*?>(?<divBody>.*)</div>

并获取名为 divBody

的组

但请注意，如果字符串包含其他节点 div （并且似乎无法通过正则表达式解决此问题），则此操作无效。对于您的解决方案 xslt 可能会有用。

Answer 4

非常好的文章。请参阅eclipse的以下附加结果