Question

对于正则表达式，我真的是初学者，我不确定从哪里开始。我从网页上抓取了一些HTML代码并存储在变量中，它看起来像这样：

<thead><tr>
<th></th>
<th>GENERAL INFORMATION</th>
<th></th>
<th>DETAILED DATA</th>
</tr></thead>
<tbody><tr>
<th>ID</th>
<td>123456789ABCD</td>
<th>Field1</th>
<td>6 = (Some-Specification (3 or more details))</td>

</tr></tbody>
<tbody><tr>
<th>AGL</th>
<td>1 - United States ; TH - Some Data</td>
<th>Field2</th>
<td>7 = (Option/Other Option)</td>
</tr></tbody>
<tbody><tr>
<th>MANUFACTURER</th>
<td>2010 SPECIFICATION  (ADSD: HMKC)</td>
<th>Field3</th>

<td>8 = (My Type)</td>
</tr></tbody>
<tbody><tr>
<th>MODEL</th>
<td>6X4 MY-MODEL/SOME_SPECS LONG SPECIFICATION, BLAH</td>
<th>Field4</th>
<td>9 = (STUFF/OTHER STUFF)</td>
</tr></tbody>
<tbody>

然后有更多相同的...我想将这些单元格中的数据解析为变量。（例如，将“123456789ABCD”解析为ID变量）我正在使用ColdFusion，并且正在考虑使用REFindNoCase，REReplaceNoCase，SpanExcluding等方法...我知道如何才能完成这个？或者，如果您不熟悉ColdFusion，即使只是解析此数据所需的正则表达式也非常有用。

Answer 1

不要将Regex用于HTML。它会摧毁你。

如果你正在做很多这样的事情，你应该得到一个HTML工具，例如TagSoup，它可以规范化HTML。如果您正在使用来自一个站点的Web页面，那么您可以创建一个XSLT样式表（或使用XPath的DOM工具），它可以提取您想要的单元格。

您的单元格的X路径（我省略了HTML命名空间）可能是

//tbody/tr[1]/td[1]

或者您可能希望按ID

查找行

//tbody/tr[th='ID']]/td

[HTML看起来相当混乱 - 它在同一th中使用td和tr，这不是惯用的。]

Answer 2

使用CF xml parser, XmlParse。看起来它基于严格的XML，所以请确保通过类似htmltidy。

的方式运行输入

Answer 3

我同意这个平台的主要观点，即用正则表达式解析HTML并不是“黄金之路”。但在某些情况下，它只是最简单的方法，它只是做它需要做的事情。

这个正则表达式应该做你需要的：

<th>((?!</th>).)*</th>\s*<td>((?!</td>).)*</td>

使用捕获组1作为键，使用组2作为值。

我不知道ColdFusion所以我不能告诉你如何应用它。

如何使用正则表达式来抓取/解析此数据？

3 个答案: