Question

我有一个网页，我需要从中提取信息。

需要循环使用多个<article>标记（我需要从中提取内容）。每个文章标签都有许多属性，＆＃34; id＆＃34;，＆＃34; class＆＃34;等。

我不知道如何编写我需要的正则表达式。

到目前为止我所拥有的是：

<article ([a-zA-Z\s"\S][^>]*)>

这能够提取所有标签及其属性，但是，我不知道如何在标签内捕获信息。

我觉得我需要编写类似于以下内容的正则表达式：＆＃34;在<article ([a-zA-Z\s"\S][^>]*)>内获取所有内容，直到您到达下一个</article>标记。＆＃34;，但不知道该怎么做该...

感谢您的输入

Answer 1

正则表达式？请reconsider。从您的一条评论中得知：＆＃34;我正在构建一个Chrome扩展程序，因此它是使用JavaScript完成的。＆＃34;然后我建议你使用浏览器的内置XML DOM解析器。

从字符串变量xmlText加载XML：

var parser = new DOMParser();
var xmlDoc = parser.parseFromString(xmlText, "text/xml");

从单独的XML文件加载XML：

var xhttp = new XMLHttpRequest();
xhttp.open("GET", "articles.xml", false);
xhttp.send();
var xmlDoc = xhttp.responseXML;

这会产生一个方便的对象结构，您可以浏览它。

var articles = xmlDoc.getElementsByTagName('article');
for (var i = 0; i < articles.length; i++) {
    var article = articles[i];
    var id = article.getAttribute('id');
    var class = article.getAttribute('class');
    var content = article.nodeValue;
    ...
}

Answer 2

根据您的编程语言，您可能会找到HTML解析库。如果你找不到那些，你可能会使用松散解析XML的库（不需要完整有效XML文档的解析器）。然后，您可以简单地获取文章元素列表并单独解析它们。如果是HTML解析器，您可能还可以读出属性！

如果上述说法不起作用，也许您可以将文本拆分为＆lt; \ article＆gt;，然后将该文本拆分为＆lt;文章（没有空格）并读取数组中的第二个索引。然后，您可以将其拆分为＆gt;并且您将在第一个索引上保留元素属性，在第二个索引上保留内容。如果有人找到一个正则表达式的解决方案来更好地解决这个问题，请告诉我！

希望它有所帮助。

皮姆

Answer 3

通常情况下，我讨厌人们给出这个答案，但是： JQuery可以为你做到这一点！。由于您已经在使用jQuery框架，因此利用secondary functionality of the jQuery function将HTML字符串解析为一系列DOM节点。然后，您可以使用find function查询顶级节点的子节点！你的最终代码最终会看起来像这样：

$(htmlString)
    .find('article')
    .each(function(index, article) {
        //Extract information from $(article).
    });

正则表达式问题 - 尝试提取多个<article> s </article>

3 个答案: