html - 使用 powershell 检索 HTML 中的文本

Question

在这段 html 代码中:

<div id="ajaxWarningRegion" class="infoFont"></div>
  <span id="ajaxStatusRegion"></span>
  <form enctype="multipart/form-data" method="post" name="confIPBackupForm" action="/cgi-bin/utilserv/confIPBackup/w_confIPBackup" id="confIPBackupForm" >
    <pre>
      Creating a new ZIP of IP Phone files from HTTP/PhoneBackup 
      and HTTPS/PhoneBackup
    </pre>
    <pre> /tmp/IP_PHONE_BACKUP-2012-Jul-25_15:47:47.zip</pre>
    <pre>Reports Success</pre>
    <pre></pre>
    <a href =  /tmp/IP_PHONE_BACKUP-2012-Jul-25_15:47:47.zip>
      Download the new ZIP of IP Phone files
    </a>
  </div>

我想检索文本 IP_PHONE_BACKUP-2012-Jul-25_15:47:47.zip 或只是 IP_PHONE_BACKUP- 和 之间的日期和时间。 zip

我该怎么做？

Answer 1

这个问题之所以如此有趣，是因为 HTML 看起来和闻起来都像 XML，后者由于其良好的行为和有序的结构而更适合编程。在理想世界中，HTML 是 XML 的子集，但现实世界中的 HTML 显然不是 XML。如果您将问题中的示例提供给任何 XML 解析器，它将对各种违规行为犹豫不决。也就是说，使用一行 PowerShell 就可以达到预期的结果。这一个返回 href 的整个文本:

Select-NodeContent $doc.DocumentNode "//a/@href"

这一个提取所需的子字符串:

Select-NodeContent $doc.DocumentNode "//a/@href" "IP_PHONE_BACKUP-(.*)\.zip"

然而，问题在于能够运行那一行代码的开销/设置。你需要:

• 安装 HtmlAgilityPack 使 HTML 解析看起来就像 XML 解析。
• 安装 PowerShell Community Extensions 如果您想解析实时网页。
• 了解 XPath 以便能够构建通向目标节点的可导航路径。
• 了解正则表达式，以便能够从目标节点中提取子字符串。

满足这些要求后，您可以将 HTMLAgilityPath 类型添加到您的环境中并定义 Select-NodeContent 函数，如下所示。代码的最后显示了如何为上述单行代码中使用的 $doc 变量赋值。我将展示如何根据您的需要从文件或 Web 加载 HTML。

Set-StrictMode -Version Latest
$HtmlAgilityPackPath = [System.IO.Path]::Combine((Get-Item $PROFILE).DirectoryName, "bin\HtmlAgilityPack.dll")
Add-Type -Path $HtmlAgilityPackPath

function Select-NodeContent(
    [HtmlAgilityPack.HtmlNode]$node,
    [string] $xpath,
    [string] $regex,
    [Object] $default = "")
{
    if ($xpath -match "(.*)/@(\w+)$") {
        # If standard XPath to retrieve an attribute is given,
        # map to supported operations to retrieve the attribute's text.
        ($xpath, $attribute) = $matches[1], $matches[2]
        $resultNode = $node.SelectSingleNode($xpath)
        $text = ?: { $resultNode } { $resultNode.Attributes[$attribute].Value } { $default }
    }
    else { # retrieve an element's text
        $resultNode = $node.SelectSingleNode($xpath)
        $text = ?: { $resultNode } { $resultNode.InnerText } { $default }
    }
    # If a regex is given, use it to extract a substring from the text
    if ($regex) {
        if ($text -match $regex) { $text = $matches[1] }
        else { $text = $default }
    }
    return $text
}

$doc = New-Object HtmlAgilityPack.HtmlDocument
$result = $doc.Load("tmp\temp.html") # Use this to load a file
#$result = $doc.LoadHtml((Get-HttpResource $url)) # Use this  PSCX cmdlet to load a live web page