使用正则表达式从多行 HTML 中提取文本答案

【问题标题】：Extract text from multiline HTML using Regex使用正则表达式从多行 HTML 中提取文本
【发布时间】：2017-10-31 01:54:43
【问题描述】：

我正在尝试从 HTML 文件中提取一些文本。

这是让我头疼的部分示例：

<TD>
      Adresa instalacije:
  </TD>
  <TD COLSPAN=2>

    <TABLE border=0 cellpadding=3 cellspacing="1" bgcolor="#AAAA77" width="100%">
      <TR bgcolor="#FFFFCC">
        <TD COLSPAN=2><B>SOME TEXT</B></TD>
      </TR>
      <TR bgcolor="#FFFFCC">
        <TD>ADM &#353;ifra: </TD>
        <TD><B>914122</B></TD>
      </TR>
    </TABLE>
  </TD>

我要提取的部分在

之间

 <TD COLSPAN=2><B> </B></TD>

这是我的正则表达式：

var regexAdresa = @"<TD>Adresa korisnika:</TD><TD COLSPAN=2>";
regexAdresa += @"<TABLE border=0 cellpadding=3 cellspacing=""1"" bgcolor=""#AAAA77"" width=""100%"">";
 regexAdresa += @"<TR bgcolor=""#FFFFCC"">";
 regexAdresa += @"<TD><B>(.*?)</B></TD>";
 regexAdresa += @"</TR></TABLE></TD>";

var r0 = new Regex(regexAdresa);
var rr0 = r0.Match(text);
var res0 = rr0.Groups[1].ToString();

我的结果总是 resurs 0。我做错了什么吗？

【问题讨论】：

为什么要这样做？查找 HTML 解析器。
你不能假装空白不存在。正则表达式匹配你告诉他们匹配的字符；他们不会说“哦，这看起来像 HTML，让我们看看，HTML 的解析规则是什么……”不过，一个合适的 HTML 解析器会很乐意为您忽略空格。
惊讶的this还没有关联。
@Josef 不，这个很容易。十五分钟前我告诉过你答案。正则表达式的答案，我的意思是——除了“正确”的答案，即使用 HTML 解析器。
正如其他人所提到的，您可以使用一些 HTML 解析器，如 HTMLAgilityPack 或其他东西。对于这个特定示例，您可能可以使用像 <TD( COLSPAN=[1-9]+)?><B>[^<>]+<\/B><\/TD> 这样的正则表达式，检查 here

标签： c# regex html-parsing

【解决方案1】：

我会使用 PhantomJS，它对用户是不可见的，它会解析整个 DOM，让您可以通过 Selenium 访问。访问<TD COLSPAN=2><B> </B></TD>.

var text = driver.findElement(By.CssSelector("td.colspan=2" b)).Text;

警告代码未经测试，仅作为示例给出。

有关在 Selenium 中使用 By 定位器的更多信息，请单击 here。

【讨论】：

【解决方案2】：

感谢所有人，尤其是@Arghya C。

我已经尝试了一些东西，现在这满足了我的需求。也许不是最好的解决方案，但它确实有效：

var regexAdresa = @"<TD (COLSPAN=[1-9]+)?><B>[^<>]+<\/B><\/TD>";
Regex g = new Regex(regexAdresa);
Match m = g.Match(text);
if (m.Success)
   {
       MessageBox.Show(m.ToString());
       MessageBox.Show(Regex.Replace(m.ToString(), "<.*?>", String.Empty));                
    }

我得到了我想要的文本所在的行，并且在第二步中使用正则表达式删除了 HTML 标记。

【讨论】：