Question

我有一个这样的字符串：

"Energia Elétrica kWh<span class=\"_ _3\"> </span>  10.942 <span class=\"_ _4\"> </span> 0,74999294 <span class=\"_ _5\"> </span>     8.206,39"

我希望通过HTML标记将其拆分，这些标记始终为<span>。我试过像：

my_string.split(/<span(.*)span>/)

但它没有用，它只能正确匹配第一个元素。

有谁知道我的正则表达式有什么问题？在这个例子中，我期望返回值为：

["Energia Elétrica kWh", "10.942", "0,74999294" ,"8.206,39"]

我想要像strip_tags这样的东西，但不是返回已清理过的字符串，而是通过删除标签来拆分数组。

Answer 1

不要使用模式来操纵HTML。这是一个path destined to make you insane。

而是使用HTML解析器。 Ruby的标准是Nokogiri：

require 'nokogiri'

doc = Nokogiri::HTML::DocumentFragment.parse("Energia Elétrica kWh<span class=\"_ _3\"> </span>  10.942 <span class=\"_ _4\"> </span> 0,74999294 <span class=\"_ _5\"> </span>     8.206,39")

您可以使用text来提取所有文本，但是，如果它是您正在使用的结构化数据，那么通常会很难提取字段，因为文本节点可以连接在一起，从而产生连续的单词，所以要小心：

doc.text # => "Energia Elétrica kWh   10.942   0,74999294       8.206,39"

相反，我们通常从各个节点提取数据：

doc.search('span')[1].next_sibling.text # => " 0,74999294 "
doc.search('span').last.next_sibling.text # => "     8.206,39"

或者，我们遍历节点，然后使用map来获取节点的文本：

doc.search('span').map{ |span| span.next_sibling.text.strip }
# => ["10.942", "0,74999294", "8.206,39"]

我会解决这个问题：

data = [doc.at('span').previous_sibling.text.strip] # => ["Energia Elétrica kWh"]
data += doc.search('span').map{ |span| span.next_sibling.text.strip } 
# => ["Energia Elétrica kWh", "10.942", "0,74999294", "8.206,39"]

或者：

spans = doc.search('span')
data = [
  spans.first.previous_sibling.text,
  *spans.map{ |span| span.next_sibling.text }
].map(&:strip)
# => ["Energia Elétrica kWh", "10.942", "0,74999294", "8.206,39"]

虽然正则表达式通常可以用于初始尝试，但HTML格式的更改可能会破坏模式，强制进行其他更改，然后进行另一次更改，然后再进行另一次更改，直到模式过于复杂，而正确编写的解析器方法通常会非常有弹性并且对问题免疫。

Answer 2

如果你真的需要使用正则表达式来做到这一点，你几乎已经拥有它了。

irb(main):010:0> string.split(/<span.+?span>/)
=> ["Energia Eltrica kWh", "  10.942 ", " 0,74999294 ", "     8.206,39"]

您只需要?告诉它尽可能少地匹配。

如何使用正则表达式按HTML标记拆分

2 个答案: