那可能是什么错误？

Question

我在这里偶然发现了一些挑战：如何在正则表达式的帮助下以HTML格式获取表格的内容。让我们说这是我们的表：

<table someprop=2 id="the_table" otherprop="val">
    <tr>
        <td>First row, first cell</td>
        <td>Second cell</td>
    </tr>
    <tr>
        <td>Second row</td>
        <td>...</td>
    </tr>
    <tr>
        <td>Another row, first cell</td>
        <td>Last cell</td>
    </tr>
</table>

我已经找到了一个有效的方法，但涉及多个正则表达式，分步执行：

获取正确的表并将其行放在后引用1中（文档中可能有多个）：

<table[^>]*?id="the_table"[^>]*?>(.*?)</table>
获取表格的行并将单元格放在后面引用1：
中
<tr.*?>(.*?)</tr>
最后在反向引用1中获取单元格内容：

<td.*?>(.*?)</td>

现在这一切都很好，但是使用一个花哨的正则表达式来完成这一切将会更加令人敬畏......有人知道这是否可能？

Answer 1

确实没有可能适用于任意数量的表数据的正则表达式解决方案，并将每个单元格放入单独的后向引用中。这是因为通过反向引用，您需要为要创建的每个backref创建一个独特的开放式窗口，并且您不知道自己有多少个单元格。

使用一种或另一种循环来提取数据没有任何问题。例如，在最后一个，在Perl中，这是因为$tr已经包含您需要的行：

@td = ( $tr =~ m{<td.*?>(.*?)</td>}sg );

现在$td[0]将包含第一个<td>，$td[1]将包含第二个，等等。如果你想要一个二维数组，你可以将它包装在这样的循环中填充新的@cells变量：

our $table;  # assume has full table in it
my @cells;
while(my($tr) =~ $table = m{<tr.*?>(.*?)</tr>}sg) {
    push @cells, [ $tr =~ m{<td.*?>(.*?)</td>}sg ];
}

现在你可以进行二维寻址，允许$cells[0][0]等。外部显式循环一次处理一行，内部隐式循环拉出所有单元格。

这将适用于您展示的预制样本数据。如果这对你来说足够好，那就太好了。使用它并继续前进。

那可能是什么错误？

但是，您的模式中有很多关于数据内容的假设，我不知道您知道的那些。首先，请注意我是如何使用/s以便它不会卡在换行符上的。

但主要问题是最小匹配并不总是你想要的。至少，不是一般情况。有时它们并不像你想象的那么小，匹配的比你想要的多，有时它们只是不够匹配。

例如，如果字符串为：

，则<i>(.*?)</i>之类的模式将获得比您想要的更多的模式

<i>foo<i>bar</i>ness</i>

因为您最终会匹配字符串<i>foo<i>bar</i>。

另一个常见问题（不包括不常见的问题）是像<tag.*?>这样的模式可能匹配得太少，例如

<img alt=">more" src="somewhere">

现在，如果您使用简单的<img.*?>，则只会捕获<img alt=">，这当然是错误的。

我认为最后一个主要问题是你必须完全忽略解析中的某些事情。这个嵌入式评论的最简单的演示（也是<script>，<style>, and CDATA`），因为你可以有像

这样的东西

<i> some <!-- secret</i>  --> stuff </i>

会抛出类似<i>(.*?)</i>的内容。

当然，有很多方法可以解决这些问题。一旦你这样做了，这真的是相当多的努力，你会发现你已经构建了一个真正的解析器，完全有很多辅助逻辑，而不仅仅是一个模式。

即便如此，您只处理格式正确的输入字符串。错误恢复和轻柔失败是一种完全不同的艺术。

Answer 2

在知道OP需要c ++解决方案之前添加了这个答案......

由于使用正则表达式解析html在技术上是错误的，我将提供更好的解决方案。您可以使用js获取数据并将其放入二维数组中。我在示例中使用了jQuery。

var data = [];
$('table tr').each(function(i, n){
    var $tr = $(n);
    data[i] = [];
    $tr.find('td').text(function(j, text){
        data[i].push(text);
    });
});

示例的jsfiddle：http://jsfiddle.net/gislikonrad/twzM7/

修改

如果你想要一个简单的javascript方式（不使用jQuery），那么这可能更适合你：

var data = []; var rows = document.getElementById('the_table').getElementsByTagName('tr'); for(var i = 0; i < rows.length; i++){ var d = rows[i].getElementsByTagName('td'); data[i] = []; for(var j = 0; j < d.length; j++){ data[i].push(d[j].innerText); } }

这两个函数都以相同的方式返回数据。

正则表达式以获取HTML表格内容

2 个答案:

那可能是什么错误？