查找包含HTML的字符串中的所有匹配项

Question

我有一个包含HTML的字符串，如：

s <- "...<span class=\"pull-right\">170 cm</span>...
<span class=\"pull-right\">29</span>...
<span class=\"pull-right\">06/24/1987</span>..."

其中...表示其间有其他HTML标记。我想在>和</span>之间提取信息，这可能是

• 仅数字
• 数字和字符（大写或小写或两者）
• 表单mm/dd/yyyy
的日期

我为正则表达式想出了类似的东西：

">[0-9/]*[a-z ]*[A-Z]*</span>"

这是对的吗？如何提取感兴趣的值？也就是说，给定s：

170 cm
29
06/24/1987

Answer 1

您最好选择HTML解析器。但是，如果您需要一个快速而肮脏的基于正则表达式的解决方案，请使用lookarounds在某个开头（(?<=>)之前的>}）和结束（(?=</span>)之间的尾随</span>之间提取模式}）模式：

(?<=>)[0-9/A-Za-z ]*(?=</span>)

请注意0-9/，a-z，A-Z合并为一个类，否则1 Gb之类的字符串将不匹配（原始正则表达式要求大写字母遵循小写那些）。

perl=TRUE提供了这些外观：

m <- gregexpr("(?<=>)[0-9A-Za-z /]*(?=</span>)", s, perl=TRUE)
regmatches(s, m)

演示：https://ideone.com/yvXIuP

Answer 2

这是匹配

的正则表达式

170 cm

29

1987年6月24日

(\d{2}\/\d{2}\/\d{4})|(\d+ [A-Za-z]+)|(\d+)