Question

我正在尝试解析html页面并从表格行中提取2个值。表格行的html如下： -

<tr>
<td title="Associated temperature in (ºC)" class="TABLEDATACELL" nowrap="nowrap" align="Left" colspan="1" rowspan="1">Max Temperature (ºC)</td>
<td class="TABLEDATACELLNOTT" nowrap="nowrap" align="Center" colspan="1" rowspan="1">6</td>
<td class="TABLEDATACELLNOTT" nowrap="nowrap" align="Center" colspan="1" rowspan="1"> 13:41:30</td>
</tr>

我现在的表达是：

<tr>[\s]<td[^<]+?>Max Temperature[\w\s]*</td>[\s]
<td[^<]+?>(?<value>([\d]+))</td>[\s]
<td[^<]+?>(?<time>([\d\:]+))</td>[\s]</tr>

但是我似乎无法提取任何匹配项。任何人都可以指出我正确的方向，谢谢。

Answer 1

众所周知，使用regexp可靠地解析HTML是非常困难的。

我想我会寻找一个HTML解析库，或者一个“屏幕抓取”库;）

如果HTML来自不可靠的来源，则必须格外小心处理恶意HTML语法。糟糕的HTML处理是安全攻击的主要来源。

Answer 2

尝试

<tr>\s*
<td[^>]*>.*?</td>\s*
<td[^>]*>\s*(?<value>\d+)\s*</td>\s*
<td[^>]*>\s*(?<time>\d{2}:\d{2}:\d{2})\s*</td>\s*
</tr>\s*

Answer 3

当你写<td[^<]+?>时，我猜你的意思是<td[^>]*>

那是“开口大括号，td，也许不是关闭大括号......”

Answer 4

<tr>[\s]<td[^<]+?>Max Temperature[\w\s]*</td>[\s]

还没有看完它，但是当你试图匹配所有非＆gt;时，[^＆lt;]可能需要[^＆gt;]。直到＆gt;那是在Max温度之前。

Answer 5

关闭td之前的“（ºC）”匹配：

<tr>[\s]<td[^<]+?>Max Temperature[^<]*</td>[\s]

这是一个字边界吗？我认为那里有点棘手，我会采用更通用的方法。

在第三行，td标签后面有一个空格，是否占了？

<td[^<]+?>[\s]?(?<time>([\d\:]+))</td>[\s]</tr>

Answer 6

我使用http://www.regexbuddy.com/进行此类控制。到目前为止，我测试了@ sgehrig的建议是正确的

Answer 7

使用Html Agility Pack或类似的库，正如@Bjarke Ebert建议的那样。这是完成任务的正确工具。

用于html解析的正则表达式（在c＃中）

7 个答案: