0

我无法发布我试图提取的确切数据,但这是一个具有相同结果的基本场景。我正在抓取页面的正文并尝试从中提取 bit.ly 链接。例如,假设这是我试图从中获取链接的数据块。

细绳:

<a href="/l.php?u=http%3A%2F%2Fbit.ly%2FPq8AkS&amp;h=aAQFZxdL0&amp;s=1" target="_blank"    rel="nofollow nofollow" onmouseover="LinkshimAsyncLink.swap(this, &quot;http:\\/\\/bit.ly\\/Pq8AkS&quot;);" onclick="LinkshimAsyncLink.referrer_log(this, &quot;http:\\/\\/bit.ly\\/Pq8AkS&quot;, &quot;http:\\/\\/www.facebook.com\\/si\\/ajax\\/l\\/render_linkshim_log\\/?u=http\\u00253A\\u00252F\\u00252Fbit.ly\\u00252FPq8AkS&amp;h=aAQFZxdL0&amp;s=1&quot;);">http://bit.ly/Pq8AkS</a></div><div class="shareUnit"><div class="-cx-PRIVATE-fbTimelineExternalShareUnit__wrapper"><div><div class="-cx-PRIVATE-fbTimelineExternalShareUnit__root -cx-PRIVATE-fbTimelineExternalShareUnit__hasImage"><a class="-cx-PRIVATE-fbTimelineExternalShareUnit__video -cx-PRIVATE-fbTimelineExternalShareUnit__image -cx-PRIVATE-fbTimelineExternalShareUnit__content" ajaxify="/ajax/flash/expand_inline.php?target_div=uikk85_59&amp;share_id=271663136271285&amp;max_width=403&amp;max_height=403&amp;context=timelineSingle" rel="async" href="#" onclick="CSS.addClass(this, &quot;-cx-PRIVATE-fbTimelineExternalShareUnit__loading&quot;);CSS.removeClass(this, &quot;-cx-PRIVATE-fbTimelineExternalShareUnit__video&quot;);"><i class="-cx-PRIVATE-fbTimelineExternalShareUnit__play"></i><img class="img" src="http://external.ak.fbcdn.net/safe_image.php?d=AQDoyY7_wjAyUtX2&amp;w=155&amp;h=114&amp;url=http%3A%2F%2Fi1.ytimg.com%2Fvi%2FDre21lBu2zU%2Fmqdefault.jpg" alt="" /></a>

现在,我可以使用以下代码获得我正在寻找的内容,但链接并不总是正好是 6 个字符长。所以这会导致一个问题......

Body = document.getElementsByTagName("body")[0].innerHTML;
regex = /2Fbit.ly%2F(.{6})&amp;h/g;
Matches = regex.exec(Body);

这是我最初尝试的方法,但我遇到的问题是它获取了太多数据。它一直到"&amp;h"上面字符串中的最后一个,而不是在它击中的第一个处停止。

Body = document.getElementsByTagName("body")[0].innerHTML;
regex = /2Fbit.ly%2F(.*)&amp;h/g;
Matches = regex.exec(Body);

所以基本上我要关注的字符串的主要部分是"%2Fbit.ly%2FPq8AkS&amp;h"这样我可以从中得到“Pq8AkS”。当我使用(.*)它时,它会抓取上面大字符串中"%2F"最后一个之间的所有内容。"&amp;h"

4

2 回答 2

2

您不应该在 HTML 上使用正则表达式。使用 DOM 函数获取所需的链接对象,然后从中获取 href 属性,然后您可以仅在 href 上使用正则表达式。

默认情况下.*是贪婪的,这意味着它匹配最多它可以匹配并且仍然找到匹配。如果您希望它不贪婪(匹配尽可能少),您可以.*?像这样使用它:

regex = /2Fbit.ly%2F(.*?)&amp;h/;

我也不认为你想要g正则表达式上的标志,因为正确的 URL 中应该只有一个匹配项。

如果您显示 HTML 的其余部分,我们可以提供有关找到正确链接对象的建议,而不是尝试匹配整个 HTML 正文。


仅供参考,非贪婪匹配的另一个技巧是执行以下操作:

regex = /2Fbit.ly%2F([^&]*)&amp;h/;

匹配一系列不&跟随的字符,&amp;h只要&不能在匹配的序列中就可以实现相同的目标。

于 2012-08-17T01:01:00.863 回答
0

默认情况下+,并且*是贪婪的并且尽可能匹配。您需要为您的(.+). 快速搜索给出了解决方案

? 直接跟随量词使量词非贪婪(使其匹配最小值而不是定义的间隔的最大值)。

所以尝试将您的regex=线路更改为

regex = /2Fbit.ly%2F(.*?)&amp;h/g;

编辑: @jfriend00 下面的回答更完整。

于 2012-08-17T00:59:57.293 回答