Question

我正在尝试使用PowerShell从网页中提取HTML表格，但是我无法调用表格本身。页面上有两个表，一个用于输入，另一个用于输出，理想情况下我想检查输出表是否包含任何内容（除了指示没有结果的特定字符串），以及是否确实将信息表示为表成文件。

我尝试过使用Invoke-Webrequest的{{1}}属性，但这些表没有特定的元素名称或ID，也没有“class”或“title”标签来区分二。使用ParsedHtml属性确实显示了几个COMObject（格式为.IHTMLDocument2_all），我觉得我需要以某种方式调用以获得我需要的东西，但我无法弄清楚如何这样做。

有没有办法调用那些COMObjects，所以我可以从它们内部提取信息？

以下是我试图从中获取结果的表格的HTML（当没有结果时）：

TypeName: System.__ComObject#{3050f539-98b5-11cf-bb82-00aa00bdce0b}

当有结果时，有几个标题用于显示结果，在此代码中：

<Center>
<TABLE CELLSPACING=0 CELLPADDING=0 BORDER=2><TR><TD>
<TABLE  CELLSPACING=0 CELLPADDING=2 BORDER=0>
<TR><TD BGCOLOR=3399FF ALIGN=CENTER><NOBR><FONT FACE="Arial" SIZE=+1><B>&nbsp;&nbsp; Search Results &nbsp;&nbsp;</B></FONT></NOBR></TD></TR>
<TR><TD><TABLE WIDTH=100% CELLSPACING=0 CELLPADDING=2 BORDER=0>
    <Center>
    <table width="100%" cellpadding="5" cellspacing="0">

        <tr>
            <td>No assets were found for the search</td>
        </tr>
</TABLE></TD></TR>
</TABLE></TD></TR>
</TABLE>
</Center>

理想情况下，我想检查资产是否已找到，如果是，请将结果从标题1,2,3,6和7下拉成可用的表单（很可能是表格或.csv文件））。非常感谢任何帮助。

Answer 1

好的，所以如果你问周围大多数人会强烈反对使用RegEx解析HTML。他们可能是对的，但我很顽固，觉得RegEx足够灵活，可以处理某些任务，即使在HTML中也是如此。所以我在相关问题中调整了我的答案，以便我认为对你有用。

这依赖于这样一个事实，即包含您要查找的数据的最内层表以行开头：

<table width="100%" cellpadding="5"

...并且没有嵌入其他表格。所以它非常具体，但它适用于您提供的示例。

我在你的例子中创建了一个here-string：

$Sample = @"
<Center>
<TABLE CELLSPACING=0 CELLPADDING=0 BORDER=2><TR><TD>
<TABLE  CELLSPACING=0 CELLPADDING=2 BORDER=0>
<TR><TD BGCOLOR=3399FF ALIGN=CENTER><NOBR><FONT FACE="Arial" SIZE=+1><B>&nbsp;&nbsp; Search Results &nbsp;&nbsp;</B></FONT></NOBR></TD></TR>
<TR><TD><TABLE WIDTH=100% CELLSPACING=0 CELLPADDING=2 BORDER=0>
    <Center>
    <table width="100%" cellpadding="5" cellspacing="0">

        <tr bgcolor=A9A9A9>

        <th>HEADER1</th>
        <th>HEADER2</th>
        <th>HEADER3</th>
        <th>HEADER4</th>
        <th>HEADER5</th>
        <th>HEADER6</th>
        <th>HEADER7</th>
        <th>HEADER8</th>
        <th>HEADER9</th>
        <th>HEADER10</th>
        <th>HEADER11</th>
        <th>HEADER12</th>
        <th>HEADER13</th>

        </tr>

            <tr >

                <td nowrap><font size= "-1" color=000000>**RESULTSA**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSA**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSA</td>

                <td nowrap><font size= "-1" color=000000>**RESULTSA**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSA**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSA**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSA**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSA**</td>

                <td nowrap><font size= "-1" color=000000>**RESULTSA**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSA**</td>

                <td nowrap><font size= "-1" color=000000> </td>
                <td nowrap><font size= "-1" color=000000>**RESULTSA**</td>
                <td nowrap><font size= "-1" color=000000> </td>

            <tr>

            <tr bgcolor=C0C0C0>

                <td nowrap><font size= "-1" color=000000>**RESULTSB**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSB**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSB**</td>

                <td nowrap><font size= "-1" color=000000>**RESULTSB**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSB**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSB**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSB**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSB**</td>

                <td nowrap><font size= "-1" color=000000>**RESULTSB**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSB**</td>

                <td nowrap><font size= "-1" color=000000> </td>
                <td nowrap><font size= "-1" color=000000>**RESULTSB**</td>
                <td nowrap><font size= "-1" color=000000> </td>

            <tr>

            <tr >

                <td nowrap><font size= "-1" color=000000>**RESULTSC**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSC**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSC**</td>

                <td nowrap><font size= "-1" color=000000>**RESULTSC**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSC**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSC**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSC**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSC**</td>

                <td nowrap><font size= "-1" color=000000>**RESULTSC**</td>
                <td nowrap><font size= "-1" color=000000>**RESULTSC**</td>

                <td nowrap><font size= "-1" color=000000> </td>
                <td nowrap><font size= "-1" color=000000>**RESULTSC**</td>
                <td nowrap><font size= "-1" color=000000> </td>

            <tr>
</TABLE></TD></TR>
</TABLE></TD></TR>
</TABLE>
</Center>
"@

然后我使用RegEx查找上面提到的特定字符串，并抓取所有内容到下一个</table>标记。

[regex]$regex = '(?s)<table width="100%" cellpadding="5" .*?</TABLE>'
$tables = $regex.matches($Sample).groups.value

之后，我将其拆分为<tr>标签以获取单独的行。

ForEach($String in $tables){
    $TableRows = $string -split '<tr.*?>'

接下来的三位都是我在变量中捕获的一行。

首先在每一行我查找列或标题，然后我用逗号加入它们。

$CurTable = $TableRows | ForEach-Object{$_ -split "(?s)</T(?:D|H)>.*?<T(?:D|H).*?>" -join ","

然后我替换了剩余的<TD>，</TD>，<TH>和</TH>标记，以删除任何前导或尾随标记。我还删除了<font>标签以保持清洁，以及任何换行符，因为任何单个给定行应该只有一行。

-replace "<(/?T(D|H|R|ABLE)|font).*?>" -replace "[\r\n]"

然后从行的开头或结尾修剪任何空格或逗号，并仅输出在其上有文本的行，我们实际上最终得到一个非常标准的CSV。

| ForEach-Object{$_.Trim(' ,')} | ?{![string]::IsNullOrWhiteSpace($_)}

拥有CSV后，您可以轻松地将其转换为对象，只选择所需的属性，然后导出为CSV，或使用Out-GridView，如果只是Format-Table，则只需If($CurTable -is [array]){ $CurTable |ConvertFrom-Csv|Select 'HEADER1','HEADER2','HEADER3','HEADER6','HEADER7' #|Export-Csv "C:\Path\To\Output\Results.csv" -NoTypeInformation }Else{ $CurTable } }想看文字。或者过滤结果......使用那里的数据非常容易。

现在，有可能没有结果，在这种情况下，你最终得到的只是一个字符串，而不是一个CSV。我所做的是为了检查结果是否是一个数组。如果是数组，则需要使用数据。如果它不是数组，则结果表中没有任何内容，我选择将其输出到屏幕。以下是我处理的方法：

[regex]$regex = '(?s)<table width="100%" cellpadding="5" .*?</TABLE>'
$tables = $regex.matches($Sample).groups.value
ForEach($String in $tables){
    $TableRows = $string -split '<tr.*?>'
    $CurTable = $tablerows|%{$_ -split "(?s)</T(?:D|H)>.*?<T(?:D|H).*?>" -join "," -replace "<(/?T(D|H|R|ABLE)|font).*?>" -replace "[\r\n]"} | ForEach-Object{$_.Trim(' ,')} | ?{![string]::IsNullOrWhiteSpace($_)}
    If($CurTable -is [array]){
        $CurTable |ConvertFrom-Csv|Select 'HEADER1','HEADER2','HEADER3','HEADER6','HEADER7' #|Export-Csv "C:\Path\To\Output\Results.csv" -NoTypeInformation
    }Else{
        $CurTable
    }
}

我的回答很长，但实际的功能代码归结为：

HEADER1 : **RESULTSA**
HEADER2 : **RESULTSA**
HEADER3 : **RESULTSA
HEADER6 : **RESULTSA**
HEADER7 : **RESULTSA**

HEADER1 : **RESULTSB**
HEADER2 : **RESULTSB**
HEADER3 : **RESULTSB**
HEADER6 : **RESULTSB**
HEADER7 : **RESULTSB**

HEADER1 : **RESULTSC**
HEADER2 : **RESULTSC**
HEADER3 : **RESULTSC**
HEADER6 : **RESULTSC**
HEADER7 : **RESULTSC**

这将导致：

PagesController

希望这足以让你合作以获得你需要的东西。

从网页Powershell获取表格

1 个答案: