如何使用 RegEx 从 HTML 中提取某些数据？答案

【问题标题】：How to extract certain data from HTML using RegEx?如何使用 RegEx 从 HTML 中提取某些数据？
【发布时间】：2014-09-03 15:18:10
【问题描述】：

我有以下代码：

<tr class="even">
            <td>
                Title1
            </td>
            <td>
                Name1
            </td>
            <td>
                Email1
            </td>
            <td>
                Postcode1
            </td>

我想使用 RegEx in 来输出标签之间的数据，如下所示：

标题1 名称1 电子邮件1 邮编1 标题2 名称2 电子邮件2 邮编2 ...

【问题讨论】：

Dare I say it?

标签： html regex powershell tags

【解决方案1】：

您不应该使用正则表达式来解析 html，而应使用 HTML 解析器。

无论如何，如果你真的想要一个正则表达式，你可以使用这个：

>\s+<|>\s*(.*?)\s*<

Working demo

比赛信息：

MATCH 1
1.  [51-57] `Title1`
MATCH 2
1.  [109-114]   `Name1`
MATCH 3
1.  [166-172]   `Email1`
MATCH 4
1.  [224-233]   `Postcode1`

【讨论】：

【解决方案2】：

这应该去掉标签之间的所有内容，并将剩余的空格分开输出：

$text = 
@'
<tr class="even">
            <td>
                Title1
            </td>
            <td>
                Name1
            </td>
            <td>
                Email1
            </td>
            <td>
                Postcode1
            </td>
'@

$text -split '\s*<.+?>\s*' -match '\S' -as [string]

Title1 Name1 Email1 Postcode1

【讨论】：

【解决方案3】：

Don't use a regex. HTML 不是常规语言，因此无法使用正则表达式正确解析。大多数时候它会成功，但其他时候会失败。壮观。

使用 Internet Explorer COM 对象从文件中读取 HTML：

$ie = new-object -com "InternetExplorer.Application"
$ie.visible = $false
$ie.navigate("F:\BuildOutput\rt.html")
$document = $ie.Document
# This will return all the tables
$document.getElementsByTagName('table')

# This will return a table with a specific ID
$document.getElementById('employees')

Here's the MSDN reference for the document class.

【讨论】：