问题标签 [html-parsing]

我试图抓住几个单词的大写字母并将它们包装在跨度标签中。我将preg_replace用于提取和包装目的，但它没有输出任何内容。

嘿，所以我想做的是抓住第一段的内容。该字符串$blog_post包含许多段落，格式如下：

我遇到的问题是我正在编写一个正则表达式来获取第一个<p>标签和第一个结束</p>标签之间的所有内容。但是，它抓住了第一个<p>标签和最后一个结束</p>标签，这导致我抓住了所有东西。

这是我当前的代码：

我想创建一个页面，其中列出了我网站上的所有图像以及标题和替代表示。

我已经给我写了一个小程序来查找和加载所有 HTML 文件，但现在我被困在如何从这个 HTML中提取和src提取：titlealt

我想这应该用一些正则表达式来完成，但由于标签的顺序可能会有所不同，而且我需要所有这些，我真的不知道如何以一种优雅的方式解析它（我可以通过char方式，但这很痛苦）。

是否有任何可用于 PHP 的强大且成熟的 HTML 解析器？快速浏览一下 PEAR 并没有发现任何问题（很多类用于生成 HTML，而不是用于消费），Google 告诉我很多人已经开始然后放弃了各种解析器项目。

对 XML 解析器不感兴趣（除非那时可以使用格式不正确的 HTML）或使用正则表达式自行破解它。

意图澄清：我对过滤 HTML 内容不感兴趣，我对从 HTML 文档中提取信息感兴趣。

我正在尝试创建一个对话框，该对话框仅在选择的浏览器是 IE（任何版本）时才会出现，但是我收到此错误：

消息：HTML 解析错误：在关闭子元素之前无法修改父容器元素 (KB927917)

这就是 "Line/Char/Code" 0 中的所有内容，所以我不知道错误在哪里。我正在使用的代码是这样的：

我注意到如果我删除“BrowserDetect.browser”和 .version 它会删除错误，但我需要那些检查 =/...任何想法将不胜感激 =)。

我试图在包含 HTML 标记的 HTML 字符串中将 > 字符的所有实例转换为其等效的 HTML 实体 >。我所能得到的最远的解决方案是使用正则表达式。

这是我到目前为止所拥有的：

我遇到的主要问题是隔离不属于 HTML 标记的单个 > 字符。我不想转换任何现有标签，因为我需要保留 HTML 以进行渲染。如果我不转换 > 字符，我会得到格式错误的 HTML，这会导致浏览器出现渲染问题。

这是要解析的测试字符串的示例：

在上面的字符串中，作为 HTML 标记一部分的 > 字符都不应转换为 >。所以这：

应该变成这样：

另一个问题是上面的表达式使用了一个非捕获组，这很好，除了匹配在第 1 组中。我不太确定如何仅在第 1 组上进行替换并保留其余部分匹配。看起来 MatchEvaluator 并没有真正做到这一点，或者我现在无法想象它。

我怀疑我的正则表达式可以做一些爱。

有人有什么好主意吗？

我正在通过使用我的爬虫挖掘网页内容来进行一些分析。网页通常在文章正文周围包含杂乱无章的内容（例如广告、不必要的图像和无关链接），这会分散用户对实际内容的注意力。

考虑到没有标准来定义新闻故事/博客文章/论坛评论/文章在网页中的实际位置，据我了解，提取有意义的内容是一个难题。

我可以找到一些像这样的开源解决方案：https ://metacpan.org/pod/HTML::ContentExtractor

但我很好奇是否有人处理过这个问题并获得了合理的成功率。这似乎是一个相当普遍的问题，我相信很多专家都在那里。我更喜欢基于 JAVA 的解决方案，但这不是硬性规定。请提供一些意见。我将深深感激。

我有几个网站，我想从以前的经验中提取数据，这并不像听起来那么容易。为什么？仅仅是因为我必须解析的 HTML 页面格式不正确（缺少结束标记等）。

考虑到我对我可以使用的技术、语言或工具没有任何限制，您对轻松解析和提取 HTML 页面中的数据有什么建议？我尝试过 HTML Agility Pack、BeautifulSoup，甚至这些工具都不是完美的（HTML Agility Pack 有问题，BeautifulSoup 解析引擎不适用于我传递给它的页面）。

在stackoverflow上，提问者使用正则表达式从HTML中获取一些信息的每个问题似乎都不可避免地会有一个“答案”，即不使用正则表达式来解析HTML。

为什么不？我知道那里有quote-unquote“真正的”HTML解析器，例如Beautiful Soup，我相信它们功能强大且有用，但是如果您只是做一些简单，快速或肮脏的事情，那么为什么当一些正则表达式就可以正常工作时，还要麻烦使用如此复杂的东西吗？

此外，对于正则表达式，是否有一些我不了解的基本知识使它们成为一般解析的糟糕选择？

我是 python 的新手，我需要一些关于使用 lxml 查找和迭代 html 标签的语法方面的帮助。以下是我正在处理的用例：

HTML 文件的格式相当好（但并不完美）。屏幕上有多个表格，一个包含一组搜索结果，一个用于页眉和页脚。每个结果行都包含一个搜索结果详细信息的链接。

1. 我需要找到带有搜索结果行的中间表（我能够弄清楚这一行）：

   /li>

2. 我需要找到此表中包含的链接（这是我卡住的地方）：

   它似乎并没有真正找到链接元素。

3. 我需要链接的纯文本。我想searchLink.text如果我实际上首先获得了链接元素，那将会是这样的。

最后，在 lxml 的实际 API 参考中，我无法找到有关 find 和 findall 调用的信息。我从在谷歌上找到的一些代码中收集到了这些。我是否遗漏了有关如何使用 lxml 有效查找和迭代 HTML 标记的内容？