Question

我有一个非常大的HTML文件，其中包含安全扫描的结果，我需要从文档中提取无用的信息。我需要提取的一个例子看起来像这样：

<tr>
<td width="20%" valign="top" class="classcell0"><span class="classtext" style="color: #ffffff; font-weight: bold !important;">Info</span></td>
<td width="10%" valign="top" class="classcell"> <a href="http://www.nessus.org/plugins/index.php?view=single&amp;id=10395" target="_blank"> 10395</a>
</td>
<td width="70%" valign="top" class="classcell"><span class="classtext" style="color: #263645; font-weight: normal;">Microsoft Windows SMB Shares Enumeration</span></td>
</tr>

编辑后，应删除上面的文字。由于变化，我无法进行标准查找。以下是需要从文档中删除的内容的另一个示例：

<tr>
<td width="20%" valign="top" class="classcell0"><span class="classtext" style="color: #ffffff; font-weight: bold !important;">Info</span></td>
<td width="10%" valign="top" class="classcell"> <a href="http://www.nessus.org/plugins/index.php?view=single&amp;id=11219" target="_blank"> 11219</a>
</td>
<td width="70%" valign="top" class="classcell"><span class="classtext" style="color: #263645; font-weight: normal;">Nessus SYN scanner</span></td>
</tr>

我需要将ID号10395视为变量，但长度保持不变。此外，＆＃34; Microsoft Windows SMB共享枚举＆＃34;需要被视为一个变量，因为它在整个文档中都会发生变化。

我已经尝试过这样的东西来代替，但我想我完全错过了这个标记。

<td width="10%" valign="top" class="classcell"> <a href="http://www.nessus.org/plugins/index.php?view=single&amp;id=\1\1\1\1\1" target="_blank"> \1\1\1\1\1</a>

也许我应该完全使用不同的工具？

Answer 1

正则表达式从最复杂到更复杂，但所有这些都完成了工作：

<a.*>.*\d.*</a>

<a.*>.*\d{5}.*</a>

<a.*id=\d{5}.*>.*\d{5}.*</a>

免责声明： be careful。我不能用正则表达式解析html。

Answer 2

我假设多次重复\1你的意思是单个角色的占位符，但这不对。你想要达到的目标是这样的：

<td width="10%" valign="top" class="classcell"> <a href="http://www.nessus.org/plugins/index.php?view=single&amp;id=(\d+)" target="_blank"> \1</a>

匹配整整6行：

<tr>\s*<td width="20%" valign="top" class="classcell0"><span class="classtext" style="color: #ffffff; font-weight: bold !important;">Info</span></td>\s*<td width="10%" valign="top" class="classcell"> <a href="http://www\.nessus\.org/plugins/index\.php\?view=single&amp;id=(\d+)" target="_blank"> \1</a>\s*</td>\s*<td width="70%" valign="top" class="classcell"><span class="classtext" style="color: #263645; font-weight: normal;">.*?</span></td>\s*</tr>

然后你可以用空字符串替换它。

使用正则表达式

2 个答案: