Question

我有一个HTML代码段，存储在html.html中：

</head>
<body>
  <h4>Areas of interest</h4>
  <ul>
    <li>Interest</li>   
    <li>Interest</li>  
  </ul>
  <h4>Other</h4>
</body>

我构建了一个与模式匹配的REGEX模式(/<\/h4>(\w*\W*)*<h4>/)，以提取第一个</h4>标记和第二个<h4>标记之间的所有内容，但是如何让SAS搜索模式多条线？

SAS代码：

filename html; 

data interests (drop=pattern);
   length string $2500;
   IF _N_ = 1 THEN
      PATTERN = PRXPARSE("/<\/h4>(\w*\W*)*<h4>/");
   RETAIN PATTERN;
   infile html LRECL=2500;
   string $CHAR2500.;
   IF PRXMATCH(PATTERN,STRING) GT 0 THEN OUTPUT;
run;

目前我的结果空白。

Answer 1

我认为你不能这样在SAS中这样做。

SAS将您的html的每一行视为单独的观察;如果你想整体解析它们，你需要一些逻辑来将它们连接在一起。以下是一个适用于您的示例代码的示例，但可能会在大量特殊情况下失败。正如评论者指出的那样，如果可以，最好使用html解析器。

此示例在看到<h4>时启动（或重新启动）行连接，并在看到</h4>时输出连接的行。

data interests (keep=multiline);
    length multiline $250;
    set html;
    string = trim(string);
    retain multiline;
    multiline = cats(multiline,string);
    if find(string,'<h4>') > 0 then multiline = string;
    if find(string,'</h4>') > 0 then do;
        output;
        multiline = '';
    end;
run;

Answer 2

跨多行进行SAS搜索的方法是改变SAS定义＆＃34; line＆＃34;的方式。

例如，您可以使用recfm=n，它告诉SAS只是将文件视为完全没有概念的字节流。您还可以使用recfm=f，它设置固定的行大小（可以任意大到机器的最大容量，但如果您想使用_infile_则32767是最大值）。

Answer 3

试试这个：

data want;
   infile 'path\yourhtml' truncover;
   length string $100;
   input @;
   if index(_infile_,'h4')>0 then do;
      string=prxchange('s/.*\>(.*)\<.*/$1/i',-1,_infile_);
      output;
   end;
run;

使用perl正则表达式匹配跨越SAS中多行的模式

3 个答案: