ruby正则表达式，解析HTML

Question

我正在尝试解析一些返回的html（来自http://www.google.com/movies?near=37130）以查找当前正在播放的电影。我试图匹配的模式看起来像：
<span dir=ltr>Clash of the Titans</span>

其中有几个在返回的html中。

我正在尝试使用以下命令获取一系列电影片名：
titles = listings_html.split(/(<span dir=ltr>).*(<\/span>)/)

但我没有得到我期待的结果。任何人都可以看到我的方法或正则表达式的问题吗？

Answer 1

一般认为Verey Bad用RegEx解析HTML，因为HTML没有常规语法。请参阅解释链接列表（部分来自SO）here。

您应该使用指定的HTML库such as this

Answer 2

我没看过你发布的所有代码，因为它烧了我的眼睛。

<span>.*</span>

此正则表达式正确匹配<span>hello</span>，但在<span>hello</span><span>there</span>处失败并匹配整个字符串。请记住，*运算符是贪婪的，因此它将匹配可能的最长字符串。你可以使用.*?让它变得有效，使其变得非贪婪。

但是，使用正则表达式解析HTML代码并不明智。

1-您无法始终使用正则表达式解析HTML。 HTML不常见。

2-编写或维护正则表达式非常困难。

3-使用<span><a href="</span>"></a></span>等输入打破正则表达式很容易。

Answer 3

要使用Ruby解析HTML，请使用Nokogiri或hpricot。

Answer 4

（您发布的示例html似乎没有任何您尝试匹配的模式示例。）

Alicia是正确的，反对html的正则表达式通常是一个坏主意，随着您的要求变得更加复杂，它将会崩溃。

那就是说，你的例子非常简单..

doc.scan(/<span dir=ltr>(.*)<\/span/) do |match|
   puts match               
end 

如前所述，。*通常是贪婪的（我预计必须考虑到这一点），但似乎在扫描中使用时，你不会有贪婪的行为。我能够在一个文档中匹配其中几种模式。