别在迷恋正则表达式解析html了,好吗?

  近段时间在论坛上面兴起了一股正则之风,不论做什么都喜欢用正则

  你在后台解析json格式字符串,必须要用正则,好吧,你可能不知道用JavaScriptSerializer类,

  你解析类似www.xxx.com?a=a1&b=b2&c=c3的querystring参数,必须用正则,好吧,你也可能不知道string.split方法

  你解析html你还必须用正则,好吧,这就真没有必要了,因为在解析html用到正则的时候你很多时候就不得不用到平衡组,你很有可能卡在这里

  正则的强大性与通用性就不提了,一般的处理完全够用了,你完全可以自己去“系统”的学习(注:系统学习正则),在配上RegexBuddy或者在线的正则(注:附注会提到内容)的工具就可以掌握一些常用的用法

  但是去解析html,还是用专业的库去解析吧,虽然条条大路通罗马,你真没必要以铁人三项的精神去做用正则死嗑html。

  其实解析html的库有满多不错的,如HtmlAgilityPack又或者Jumony以及Java的解析库htmlparser(有.net版的),下面列一个小例子:

   地址:http://feedback.ebay.com/ws/eBayISAPI.dll?ViewFeedback2&ftab=AllFeedback&userid=paragad&iid=-1&de=off&items=25&interval=0&mPg=151

  《别在迷恋正则表达式解析html了,好吗?》

    抓取评论区的:回复内容,购买人名字,购买时间

    引用:HtmlAgilityPack库

    

  整个结构清晰自然,利用Xpath的来进行选取相当方便,轻易就可以抓取内容。

 

附注: 

一,正则相关

1.30分钟搞定正则(了然正则的基础知识点)

2.正则达人的博客

3.正则工具RegexBug

 

二,解析库:

 XPath简明介绍
 XPath 使用路径表达式来选取 XML 文档中的节点或节点集。节点是通过沿着路径 (path) 或者步 (steps) 来选取的。
 下面列出了最有用的路径表达式:
 nodename:选取此节点的所有子节点。 
 /:从根节点选取。 
 //:从匹配选择的当前节点选择文档中的节点,而不考虑它们的位置。 
 .:选取当前节点。 
 ..:选取当前节点的父节点。
 例如有下面一段XML:
 

xml version=“1.0” encoding=“utf-8”?> 

 <Articles> 

 <Article> 

   <Title>在ASP.NET中使用Highcharts js图表title> 

   <Url>http://zhoufoxcn.blog.51cto.com/792419/537324Url> 

   <CreateAt type=“en”>2011-04-07price> 

 Article> 

 <Article> 

   <Title lang=“eng”>Log4Net使用详解(续)title> 

   <Url>http://blog.csdn.net/zhoufoxcn/archive/2010/11/23/6029021.aspxUrl> 

   <CreateAt type=“zh-cn”>2010年11月23日price> 

 Article> 

 <Article> 

   <Title>J2ME开发的一般步骤title> 

   <Url>http://blog.csdn.net/zhoufoxcn/archive/2011/06/12/6540223.aspxUrl> 

   <CreateAt type=“zh-cn”>2011年06月12日price> 

 Article> 

 <Article> 

  1.    <Title lang=“eng”>PowerDesign高级应用title> 
  2.    <Url>http://zhoufoxcn.blog.51cto.com/792419/166415Url> 
  3.    <CreateAt type=“zh-cn”>2007-09-08price> 
  4.  Article> 
  5.  Articles> 

  针对上面的XML文件,我们列出了带有谓语的一些路径表达式,以及表达式的结果:
 /Articles/Article[1]:选取属于Articles子元素的第一个Article元素。 
 /Articles/Article[last()]:选取属于Articles子元素的最后一个Article元素。 
 /Articles/Article[last()-1]:选取属于Articles子元素的倒数第二个Article元素。 
 /Articles/Article[position()<3]:选取最前面的两个属于 bookstore 元素的子元素的Article元素。 
 //title[@lang]:选取所有拥有名为lang的属性的title元素。 
 //CreateAt[@type=’zh-cn’]:选取所有CreateAt元素,且这些元素拥有值为zh-cn的type属性。 
 /Articles/Article[Order>2]:选取Articles元素的所有Article元素,且其中的Order元素的值须大于2。 
 /Articles/Article[Order<3]/Title:选取Articles元素中的Article元素的所有Title元素,且其中的Order元素的值须小于3。
 
 HtmlAgilityPack API简明介绍
 在HtmlAgilityPack中常用到的类有HtmlDocument、HtmlNodeCollection、
HtmlNode和HtmlWeb等。
 其流程一般是先获取HTML,这个可以通过HtmlDocument的Load()或LoadHtml()来加载静态内容,或者也可以HtmlWeb的Get()或Load()方法来加载网络上的URL对应的HTML。
 得到了HtmlDocument的实例之后,就可以用HtmlDocument的DocumentNode属性,这是整个HTML文档的根节点,它本身也是一个HtmlNode,然后就可以利用HtmlNode的SelectNodes()方法返回多个HtmlNode的集合对象HtmlNodeCollection,也可以利用HtmlNode的SelectSingleNode()方法返回单个HtmlNode。

转自=>周公博客

点赞

发表评论

电子邮件地址不会被公开。 必填项已用*标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据