使用 RegExp (Ruby) 从 HTML 标签中提取字符串答案

【问题标题】：Extract string from HTML tags using RegExp (Ruby)使用 RegExp (Ruby) 从 HTML 标签中提取字符串
【发布时间】：2013-08-09 05:32:21
【问题描述】：

我想从字符串<h1>test</h1><div>toast</div> 中提取“toast”。什么正则表达式可以隔离这样的字符串？

编辑：感谢更正格式的用户。

更多信息：div标签的实例永远只有一个，里面的信息可能会改变，但同一个字符串中永远不会有另一个div标签（字符串大于给定的样本）

谢谢！

【问题讨论】：

基于什么？你只想要任何 div 中的所有文本吗？这可能最好使用某种 dom 解析器而不是正则表达式。
@smerny 抱歉，我解决了这个问题。我的老板要求我使用正则表达式，所以我别无选择：/
Nokogiri 是解析 HTML 和 XML 内容的最佳工具..
我们需要更多信息。字符串的哪一部分是可变的？例如，一个简单的解决方案可能是regex = /<h1>test<\/h1><div>([^<]*)<\/div>/
嗯，这只是整个字符串的一小部分，所以不幸的是没有简单的解决方案起作用（我试过了，但正则表达式太笨重了）。所有标签都将始终保持不变，只是里面的内容（即“toast”）会改变

标签： ruby regex html-parsing

【解决方案1】：

您可以使用Nokogiri。

require 'nokogiri'

doc = Nokogiri::HTML::Document.parse("<div> test </div> <div> toast </div>")
doc.css('div').map(&:text)
# => [" test ", " toast "]

require 'nokogiri'

doc = Nokogiri::HTML::Document.parse("<h1>test</h1><div>toast</div>")
doc.at_css('div').text
# => "toast"

【讨论】：

抱歉，我解决了这个问题。这应该没那么复杂吧？
使用 HTML 解析器并不复杂。处理您不期望但仍然是完全有效的 HTML 的数据更改是很复杂的。预先花一点时间使用适当的 HTML 解析器，可以节省您数小时的调试时间，也可以省去以后的烦恼。

【解决方案2】：

这确实不是通常用正则表达式完成的事情......并且有充分的理由，但如果你必须并且因为你说其中永远不会有超过一个 div ......这应该适合你：

(?<=<div>).*(?=</div>)

【讨论】：

这隔离了正确的信息（toast），但我有一个问题 - 如果我想返回它，我必须在字符串上使用什么？我试过 string.split(/(?).*(?=)/) 和 string.scan(/(?).*(?=)/) 但都不正确。

【解决方案3】：

我们需要更多信息。如果字符串正好是"<h1>test</h1><div>toast</div>"，那么就很天真了

regex = /<h1>test<\/h1><div>([^<]*)<\/div>/
found = "<h1>test</h1><div>toast</div>".match(regex)[1]
# => "toast"

会起作用的。在这一点上我最好的猜测是你正在期待

<h1>*</h1><div>*</div>

然后使用这个：

regex = /<h1>[^<]*<\/h1><div>([^<]*)<\/div>/
found = "<h1>any string can go here</h1><div>toast</div>".match(regex)[1]
# => "toast"

请注意，如果任一标签中有任何嵌套元素，则会中断。更强大的解决方案是使用 Nokogiri。和你的老板谈谈。

【讨论】：