用于提取 <div> 标记内容的正则表达式

Question

这里脑子有点僵硬，所以我希望得到一些指示，基本上我需要提取特定 div 标签的内容，是的，我知道正则表达式通常不被批准用于此，但它是一个简单的网络在没有嵌套 div 的地方抓取应用程序。

我正在尝试匹配这个:

    <div class="entry">
  <span class="title">Some company</span>
  <span class="description">
  <strong>Address: </strong>Some address
    <br /><strong>Telephone: </strong> 01908 12345
  </span>
</div>

简单的vb代码如下:

    Dim myMatches As MatchCollection
    Dim myRegex As New Regex("<div.*?class=""entry"".*?>.*</div>", RegexOptions.Singleline)
    Dim wc As New WebClient
    Dim html As String = wc.DownloadString("http://somewebaddress.com")
    RichTextBox1.Text = html
    myMatches = myRegex.Matches(html)
    MsgBox(html)
    'Search for all the words in a string
    Dim successfulMatch As Match
    For Each successfulMatch In myMatches
        MsgBox(successfulMatch.Groups(1).ToString)
    Next

如有任何帮助，我们将不胜感激。

Answer 1

您的正则表达式适用于您的示例。但是，应该进行一些改进:

<div[^<>]*class="entry"[^<>]*>(?<content>.*?)</div>

[^<>]*意思是“匹配除尖括号之外的任意数量的字符”，确保我们不会不小心跳出我们所在的标签。

.*? (注意 ? )表示“匹配任意数量的字符，但尽可能少”。这避免了从第一个匹配到最后一个 <div class="entry">在您的页面中标记。

但是您的正则表达式本身应该仍然匹配某物。也许你没有正确使用它？

我不懂 Visual Basic，所以这只是瞎猜，但 RegexBuddy 建议采用以下方法:

Dim RegexObj As New Regex("<div[^<>]*class=""entry""[^<>]*>(?<content>.*?)</div>")
Dim MatchResult As Match = RegexObj.Match(SubjectString)
While MatchResult.Success
    ResultList.Add(MatchResult.Groups("content").Value)
    MatchResult = MatchResult.NextMatch()
End While

我建议不要比这更进一步地采用正则表达式方法。如果你坚持，你最终会得到一个像下面这样的怪物正则表达式，它只有在 div 的形式下才有效。的内容永远不会改变:

<div[^<>]*class="entry"[^<>]*>\s*
<span[^<>]*class="title"[^<>]*>\s*
(?<title>.*?)
\s*</span>\s*
<span[^<>]*class="description"[^<>]*>\s*
<strong>\s*Address:\s*</strong>\s*
(?<address>.*?)
\s*<strong>\s*Telephone:\s*</strong>\s*
(?<phone>.*?)
\s*</span>\s*</div>

或(看看 VB.NET 中多行字符串的乐趣):

Dim RegexObj As New Regex(
    "<div[^<>]*class=""entry""[^<>]*>\s*" & chr(10) & _
    "<span[^<>]*class=""title""[^<>]*>\s*" & chr(10) & _
    "(?<title>.*?)" & chr(10) & _
    "\s*</span>\s*" & chr(10) & _
    "<span[^<>]*class=""description""[^<>]*>\s*" & chr(10) & _
    "<strong>\s*Address:\s*</strong>\s*" & chr(10) & _
    "(?<address>.*?)" & chr(10) & _
    "\s*<strong>\s*Telephone:\s*</strong>\s*" & chr(10) & _
    "(?<phone>.*?)" & chr(10) & _
    "\s*</span>\s*</div>", 
    RegexOptions.Singleline Or RegexOptions.IgnorePatternWhitespace)

(当然，现在您需要存储 MatchResult.Groups("title") 等的结果...)