我可以使用一些正则表达式帮助答案

【问题标题】：I could use some Regex help我可以使用一些正则表达式帮助
【发布时间】：2011-05-28 01:16:30
【问题描述】：

编辑：我在下面寻找的是这样的 REGEX 语句：

抓取以 div 开头的行 class='productBundle' 以 .html 结尾。
全部抢走（我觉得这叫贪心）

我会将这些存储在一个数组中，然后获取页面。对于每个页面，我需要获取图像 url，所以我需要正则表达式代码。我知道它很脆弱，但它可以满足我的需要。

我有一个 html 页面，包含以下几组：

<div class='productBundle' id='4086472'>
<table cellpadding="0" cellspacing="0" class='inv'>
<tr><td valign="middle" align="center" width="100%">
<a href="http://listing.com/product/view/4086794.html" alt="472">

我想检索 div class='productBundle' 下列出的所有 url。每页可以有任意数量，但总是在 productBundle div 下。

然后从那些 html 页面中，我需要获取产品图片 url

<img id=productImage' src='http://listing.com/item/472248/472.jpg'>

例如，我需要上面 html 代码中的“http://listing.com/item/472248/472.jpg”。

我可以使用 REGEX 代码的帮助来抓取第一部分中的页面，然后使用 REGEX 代码从 productImage 中抓取 url。

谢谢

【问题讨论】：

你会使用什么语言？ Ruby、Python、JavaScript、C#？
答案可以是任何语言，我只需要 Regex 语句。我可以弄清楚其他一切。

标签： regex

【解决方案1】：

不，你需要帮助的是处理标记语言，而正则表达式就像用螺丝刀敲钉子一样。

换句话说，你可以让它工作，但要捕获所有边缘情况需要相当多的努力。

我的建议是使用 XML 处理工具，具体选择取决于您使用的语言和环境。

【讨论】：

【解决方案2】：

您确实应该为此使用 XPath。将文档加载到框架提供的任何支持 XPath 的容器中，然后发出以下查询：

//div[@class='ProductBundle']//img/@src

结果将是您需要的字符串列表。

【讨论】：

【解决方案3】：

考虑： RegEx match open tags except XHTML self-contained tags

编辑以添加有用的内容： 也就是说，这很脆弱，但应该可以工作......

用于抓取 .html URL 的 Perl：

$/ = undef; # read multiline
$in = <>;   # read file provided on command line
while ($in =~ s/<div class='productBundle'.*?<a href=\"(.*?html)//sm) {
  print "$1\n";
}

用于抓取 .jpg URL 的 Perl：

$/ = undef; # read multiline
$in = <>;   # read file provided on command line
while ($in =~ s/<img id='productImage'.*?src='(.*?jpg)//sm) {
  print "$1\n";
}

.*? 表示匹配 0 个或多个字符不是贪婪地，这意味着它只会匹配到它后面出现的第一次。最后的 /sm 修饰符告诉 perl . 也应该匹配换行符（默认情况下不匹配）并且输入是多行的。

【讨论】：

是的，已经看到了。我知道它很脆弱，但对预期的目的有好处。
更新添加了 perl 正则表达式应该可以工作假设一切如你所说
感谢 perl，但确实需要正则表达式
呃，s/<div class='productBundle'.*?<a href=\"(.*?html)//sm 和 s/<img id='productImage'.*?src='(.*?jpg)//sm 是正则表达式部分

【解决方案4】：

生成 XML 表示 + XPATH 的 HTML 解析器。

选择HTML parser for your particular language that produces an XML representation。
在产品列表中插入 HTML，并使用此 XPath 语句 //div[@class='productBundle']//a/@href 查找 HREF。
遍历结果 - HTTP GET 每个 href 值
对于每个 href 值 - XPath 响应再次使用解析器解析图像路径//img/@src。

【讨论】：

【解决方案5】：

这就是诀窍。

"http:\/\/listing.com\/product+([^""])*html"

【讨论】：