Question

我一直在使用正则表达式来测试我的正则表达式，并且无法理解为什么我现在正在测试的那个失败。

我已经查阅了几个正则表达式的教程和参考资料，但仍然没有看到任何可以解释我遇到这些问题的原因。

我正在测试的正则表达式是：

(<p>\s*(?:(?:<font[^>]*>)*?(?:<a[^>]*>)*?(?:<strong[^>]*>)*?(?:</font>)*?(?:</a>)*?(?:</strong>)*?[^<^>]*)*</p>)?\s*<ul>(.*?)</ul>

有效的数据是：

<p><font size="1" face="Verdana, Arial, Helvetica, sans-serif"><a href="#test1">test1</a> | <a href="#test2">test12</a></p>
<p><font face="Verdana, Arial, Helvetica, sans-serif"><font size="2"><font face="Verdana, Arial, Helvetica, sans-serif"><font size="2"><strong>Production </strong><a name="prodSupport"></a></font></font></font></font><font face="Verdana, Arial, Helvetica, sans-serif"><strong><font size="2">stuff</font></strong> </font><a name="art"></a></p>
            <ul>
                <li><span style="font-family: Arial"><font size="1"><a id="Assistants" href="Assistants.aspx" name="Assistants">Assistants</a></font></span><font size="1"><a id="Assistants" href="Assistants.aspx" name="Assistants"></a></font></li>
</ul>

不起作用的数据是：

<p><font size="1" face="Verdana, Arial, Helvetica, sans-serif"><a href="#test1">test1</a> | <a href="#test2">test123</a></p>
<p><font face="Verdana, Arial, Helvetica, sans-serif"><font size="2"><font face="Verdana, Arial, Helvetica, sans-serif"><font size="2"><strong>Production </strong><a name="prodSupport"></a></font></font></font></font><font face="Verdana, Arial, Helvetica, sans-serif"><strong><font size="2">stuff</font></strong> </font><a name="art"></a></p>
            <ul>
                <li><span style="font-family: Arial"><font size="1"><a id="Assistants" href="Assistants.aspx" name="Assistants">Assistants</a></font></span><font size="1"><a id="Assistants" href="Assistants.aspx" name="Assistants"></a></font></li>
</ul>

为什么＆＃34; test12＆＃34;工作和＆＃34; test123＆＃34;不？我完全糊涂了。

Answer 1

如果可能的话，我会避免抓取某个人的网站（理想情况下你想要提取数据Feed）。

否则，如果您只是从http://www.coj.net/departments/office-of-economic-development/film-and-television/production-guide/production-guide-listings.aspx#prodSupport

中提取链接

...我只会抓取<strong>（或您感兴趣的任何单个标签）。如果你最终得到一点垃圾，只需手动删除你不想要的数据。复杂的正则表达式将非常脆弱，并且在更新css或略微调整页面布局时会中断。

Answer 2

我已经开始使用稍微容易出错的错误了：

(<p>(?:(?!</p>).)*</p>)?\s*<ul>(.*?)</ul>

让我至少继续这份工作。

我检查第一个捕获组以查看它是否为空字符串，如果不是，我去：

input = Regex.Replace（输入，“＆lt; [^＆gt;] *＆gt;”，“”）

删除标签并留下类别文本。快速，高效，即使它有点脏。

正则表达式[^＆lt; ^＆gt;] *匹配最多6个字符;不会匹配7？

2 个答案: