0

我有一个 HTML 文件（我不能使用 HTML AgilityPack），我想提取一个 div 的 id（如果有的话）

<div id="div1">Street ___________________ </div>
<div id="div2">CAP |__|__|__|__|__| number ______ </div>
<div id="div3">City _____________________ State |__|__|</div>
<div id="div4">City2 ____________________ State2 _____</div>

我有一个提取下划线__的模式： [\ _]{3,}

现在，如果我的下划线前面有一个 div，我想提取它，如果没有，我只会得到下划线。

到目前为止，我已经建立了这种模式(<div id(.+?)>(\w)([\ _]{3,}/*))([\ _]{3,})

第一部分由 3 个组构成 1 - 一个 div 标签，2 - 一个标签，3 - 下划线

1 - <div id(.+?)>, 2 - (\w), 3 -[\ _]{3,}/*

id 为 div2 的 div 不会使用 id，因为它包含非字母数字字符。

问：我的模式有什么问题？

4个div的所需匹配：

<div id="div1">Street ___________________
______ 
<div id="div3">City _____________________
<div id="div4">City2 ____________________
_____
4

2 回答 2

1

  • \w只是一个字符，你可能想说一个或多个 - \w+。

  • /*- 零个或多个/？我看不出它适合哪里。

  • 一个或多个 not >（即[^>]+）可能比.+?. .+?将尝试在第一个停止>，但会继续，直到找到匹配的字符串，即：

    <div id=1>this is not valid</div><div id=2>this is valid___</div>

    将匹配整个字符串，而不仅仅是 from <div id=2>。

  • 据我从您的问题中可以看出，下划线之前的所有内容都应该是可选的。

图案：

(?:(<div id[^>]+>)(\w+))?([\ _]{3,})

C# 测试。

于 2013-08-07T09:48:13.153 回答
1

尝试类似的东西

string html = @"<div id=""div1"">Street ___________________ </div>
<div id=""div2"">CAP |__|__|__|__|__| number ______ </div>
<div id=""div3"">City _____________________ State |__|__|</div>
<div name=""hello"" id=""div4"">City _____________________ State |__|__|</div>
<div name=""house"">City _____________________ State |__|__|</div>
<div id=""notext""></div>";

var rx = new Regex(@"<div(?:(?: id=""(?<id>[^""]+)"")|[^>])*>(?<content>[^<]*)</div>", 
                   RegexOptions.IgnoreCase);

var matches = rx.Matches(html);

foreach (Match match in matches)
{
    var id = match.Groups["id"];
    var content = match.Groups["content"];

    Console.WriteLine("id present: {0}, id: {1}, text: {2}", 
                      id.Success, 
                      id.ToString(), 
                      content.ToString());
}

如果它有效，我将解释正则表达式（即<div(?:(?: id="(?<id>[^"]+)")|[^>])*>(?<content>[^<]*)</div>）

于 2013-08-07T09:51:02.883 回答