问题标签 [html-parsing]

我想使用 HTML 敏捷包来解析来自复杂网页的表格，但我不知何故迷失在对象模型中。

我查看了链接示例，但没有以这种方式找到任何表格数据。我可以使用 XPath 来获取表格吗？在加载有关如何获取表格的数据后，我基本上迷失了。我以前在 Perl 中做过这个，有点笨拙，但是很有效。( HTML::TableParser)。

如果有人能阐明解析的正确对象顺序，我也很高兴。

我在 Java 中遇到了一个小问题。如何做到这一点：我想在 HTML 文件中搜索标签 href 和 src，然后我想获取与该标签关联的 URL。

最好的方法是什么？

谢谢您的帮助。最好的祝福。

有没有办法表明两个或多个正则表达式可以以任何顺序出现？例如，XML 属性可以按任何顺序编写。假设我有以下 XML：

我将如何编写一个检查类和标题并适用于这两种情况的匹配项？我主要是在寻找允许我以任何顺序检查的语法，而不仅仅是匹配类和标题，因为我可以做到这一点。除了包含两个组合并用“|”连接它们之外，还有什么办法吗？

编辑：我的偏好是在单个正则表达式中执行它，因为我正在以编程方式构建它并对其进行单元测试。

我正在寻找一个 .NET 库，它可以从无效的 HTML 代码生成干净的 Xml 树，最好是 System.Xml.XmlDocument。IE 在遇到这种情况时应该尽最大努力猜测、修复和替换浏览器，并生成一个伪装的 XmlDocument。图书馆也应该得到很好的维护。:)

我意识到这有很多（太多了？）要问，我会很感激任何有用的线索。对于 Java，似乎有相当多的实现，但我宁愿不生成自己的绑定。到目前为止，对于 .NET，我发现http://www.majestic12.co.uk/projects/html_parser.php和http://users.rcn.com/creitzel/tidy.html#dotnet和http://sourceforge .net/projects/tidyfornet。

我还没有构建或测试任何这些，但是从（稀疏的）文档和罕见的更新来看，它们似乎没有我想要的东西。那么你有什么建议，无论是在这些选择中，还是从你过去的经验中。

如果我不能使用 BeautifulSoup 或 lxml，那么解析 HTML 的最佳选择是什么？我有一些使用 SGMLlib 的代码，但它有点低级，现在已弃用。

我更喜欢它可以忍受一些格式错误的 HTML，尽管我很确定大部分输入都会很干净。

如何使用 php 从标签中删除所有/任何属性，比如段落标签？

<p class="one" otherrandomattribute="two">至<p>

如何用多种语言和解析库解析 HTML？

回答时：

个别评论将链接到有关如何使用正则表达式解析 HTML 的问题的答案中，以显示正确的做事方式。

为了保持一致性，我要求该示例为hrefin 锚标记解析 HTML 文件。为了便于搜索此问题，我要求您遵循此格式

语言：[语言名称]

图书馆：[图书馆名称]

请将图书馆作为图书馆文档的链接。如果您想提供除提取链接以外的示例，还请包括：

目的：[解析的作用]

我目前正在尝试为 nutch 1.0 编写一个自定义插件。这个插件应该解析 html 数据并从文档中过滤掉相关信息。我有一个基本插件工作，它扩展了 HtmlParserResult 对象，并且每次我进行解析时都会执行。

我目前面临两个问题：

1. 我不太了解 nutch 解析的工作流程/管道。我在 nutch 网站上找不到有关此的信息。

2. 我不明白 DOM 解析是如何完成的，我看到 Nutch 有一组 DOM 对象，并且 HtmlParser 插件进行了一些 DOM 解析，但我仍然没有弄清楚如何最好地完成。

我想从简单的网站上抓取一个事实列表。每个事实都包含在一个<li>标签中。我将如何使用 Html Agility Pack 做到这一点？有更好的方法吗？

<li>标签中包含的唯一内容是事实，仅此而已。

我是 PHP 中 DOM 解析的新手：
我有一个要解析的 HTML 文件。它有一堆像这样的DIV：

我正在尝试使用 php 获取许多 div 框的内容。如何使用 DOM 解析器来执行此操作？

谢谢！