Question

我正在尝试从HTML源代码中提取评论部分。这是可行的，但效果不尽人意。

<html><body>Login Successful!</body><!-- EXTRACT-THIS --></html>

到目前为止，这是我的代码：

#include <string>
#include <iostream>
#include <sstream>
#include <fstream>
#include <regex>

using namespace std;

int main()
{
    string s = 
    "<html><body>Login Successful!</body><!-- EXTRACT-THIS --></html>";

    // Regular expression to extract from HTML comment 
    // <!-- comment -->
    regex  r("[<!--\r\n\t][\r\n\t-->]");

    for (sregex_token_iterator it = sregex_token_iterator(
                                        s.begin(), 
                                        s.end(), 
                                        r, 
                                        -1); 
         it != sregex_token_iterator(); ++it)
    {
        cout << "TOKEN: " << (string) *it << endl;
    }

    return 0;
}

我想我的主要问题是，有没有办法改善我的正则表达式表达？

Answer 1

让我们从包含多个注释部分的std::string开始：

string s = "<html><body>Login Successful!</body><!-- EXTRACT-THIS --><p>Test</p><!-- XXX --></html>";

删除注释并打印HTML标记

如果要从此字符串中删除HTML注释，可以这样操作：

regex r("(<\\!--[^>]*-->)");

// split the string using the regular expression
sregex_token_iterator iterator = sregex_token_iterator(s.begin(), s.end(), r, -1);
sregex_token_iterator end;
for (; iterator != end; ++iterator)
{
    cout << "TOKEN: " << (string) *iterator << endl;
}

此代码显示：

TOKEN: <html><body>Login Successful!</body>
TOKEN: <p>Test</p>
TOKEN: </html>

删除HTML标签并打印注释

如果要从字符串中提取注释，则可以像这样使用std::sregex_iterator：

regex r("(<\\!--[^>]*-->)");

std::sregex_iterator next(s.begin(), s.end(), r);
std::sregex_iterator end;
while (next != end) {
    std::smatch match = *next;
    std::cout << match.str() << "\n";
    next++;
}

此代码显示：

<!-- EXTRACT-THIS -->
<!-- XXX -->

手动解析评论标签

另一个选择是手动查找和遍历开始和结束标签。我们可以使用std::string::find()和std::string::substr()方法：

const std::string OPEN_TAG = "<!--";
const std::string CLOSE_TAG = "-->";

auto posOpen = s.find(OPEN_TAG, 0);
while (posOpen != std::string::npos) {
    auto posClose = s.find(CLOSE_TAG, posOpen);
    std::cout << s.substr(posOpen, posClose - posOpen + CLOSE_TAG.length()) << '\n';
    posOpen = s.find(OPEN_TAG, posClose + CLOSE_TAG.length());
}

使用C ++ std :: sregex_token_iterator提取HTML注释

1 个答案:

删除注释并打印HTML标记

删除HTML标签并打印注释

手动解析评论标签