正则表达式，用于在网页中查找值

Question

我需要找到一个正则表达式，它从html doc中的表格单元格中提取一个值。

此表格单元格的示例内容为“结果：40分钟”。

我需要一个正则表达式来匹配实际数字（40）。

这是在java中，提前感谢。

Answer 1

我之前尝试使用正则表达式来做这件事，这是一个痛苦的漏洞。

使用XPath表达式更容易，您可以在DOM层次结构中按位置指定位置。 Apache库可以执行此操作（特别是Xalan），可以在此处找到：http://xml.apache.org/xalan-j/

您可以使用Firefox插件XPath Checker来帮助您解决此问题。

如果您正在寻找其他工具/信息，那么您所谈论的区域称为“网络抓取”。

Answer 2

您想使用DOM / XPATH，但如果您真的需要正则表达式来处理简单情况，请尝试

/\<\s*td[^\>]*\>\s*result: (\d+) mins\s*\<\/td\>/i

再次，可能适用于大多数HTML，但正则表达式不适用于所有HTML。

Answer 3

如果不是一次性情况，请使用XPath检索某个HTML元素的内容（“结果：40分钟”），然后使用简单的正则表达式来获取所需内容："result: (\d+) mins"（以适应OverClocked所写的内容）。如果HTML（很可能）不正确，您可以使用类似JTidy的内容进行清理。

在最简单的情况下，您只需在完整页面中查找表达式：".*result: (\d+) mins.*"

顺便说一下，您指向的网页不包含任何类型的“结果”：如果您使用“路线”，您可以使用以下内容：

String pageContent = ...
Pattern p = java.util.regex.Pattern.compile("Route: ((\\d*) hour )*(\\d*) mins");
Matcher m = p.matcher(pageContent);
m.find();
System.out.println(m.group{1});
System.out.println(m.group{2});