Question

编辑：我正在寻找的是一份REGEX声明，上面写着：

抓住以div class ='productBundle'开头的行以.html结尾。
抓住所有这些（我认为这叫做贪婪）

我将这些存储在一个数组中，然后我将获取这些页面。对于每个页面，我将需要获取图像URL，因此我需要正则表达式代码。我知道它很脆弱，但它会完成我所需要的工作。

我有一个html页面，包含以下组：

<div class='productBundle' id='4086472'>
<table cellpadding="0" cellspacing="0" class='inv'>
<tr><td valign="middle" align="center" width="100%">
<a href="http://listing.com/product/view/4086794.html" alt="472">

我想检索div class ='productBundle'下列出的所有网址。每页可以有任意数字，但总是在productBundle div。

下

然后从那些html页面，我需要获得产品图片网址

<img id=productImage' src='http://listing.com/item/472248/472.jpg'>

例如，我需要上面的html代码中的“http://listing.com/item/472248/472.jpg”。

我可以使用REGEX代码的帮助来获取第一部分中的页面，然后使用REGEX代码从productImage中获取URL。

由于

Answer 1

不，你需要帮助的是处理标记语言，正则表达式就像用螺丝刀敲钉一样。

换句话说，你可以让它发挥作用，但要抓住所有边缘情况需要付出相当大的努力。

我的建议是使用XML处理工具，其选择取决于您正在使用的语言和环境。

Answer 2

你应该真的使用XPath代替。将文档加载到框架提供的支持XPath的任何容器中，并发出以下查询：

//div[@class='ProductBundle']//img/@src

结果将是您需要的字符串列表。

Answer 3

考虑： RegEx match open tags except XHTML self-contained tags

编辑以添加有用的内容： 那就是说，这很脆弱，但应该有用......

获取.html网址的Perl：

$/ = undef; # read multiline
$in = <>;   # read file provided on command line
while ($in =~ s/<div class='productBundle'.*?<a href=\"(.*?html)//sm) {
  print "$1\n";
}

用于抓取.jpg网址的Perl：

$/ = undef; # read multiline
$in = <>;   # read file provided on command line
while ($in =~ s/<img id='productImage'.*?src='(.*?jpg)//sm) {
  print "$1\n";
}

.*?表示匹配0个或多个字符不贪心，这意味着它只会匹配第一个出现后的任何内容。最后的/sm修饰符告诉perl .也应该匹配换行符（默认情况下它不匹配）并且输入是多行的。

Answer 4

HTML Parser，它生成XML表示+ XPATH。

选择HTML parser for your particular language that produces an XML representation。
使用产品列表隐藏HTML并使用此XPath语句//div[@class='productBundle']//a/@href查找HREF。
迭代结果 - HTTP GET每个href值
对于每个href值 - XPath再次使用解析器对图像路径//img/@src进行响应。

Answer 5

这就是诀窍。

“HTTP：\ / \ / listing.com \ /产物+（[^” “]）* HTML”

我可以使用一些正则表达式的帮助

5 个答案: