从 HTML 代码中解析以下内容？

Question

我将如何解析以下内容：

wr("website-url.com</span>")

使用 HTML 代码中的正则表达式？

似乎无法弄清楚如何提取website-url.com

位于 HTML 中的整个 JavaScript：

<script type="text/javascript">wr("<span>maddog");wr("@");wr("website-url.com</span>")</script>

尝试过像这样的正则表达式：

wr("(.+?)\s*<\/span>")

但似乎无法让它工作

Answer 1

想法是：

• 使用一个正则表达式获取所有 wr(*) 字符串。
• 删除引号 (")
• 删除<span> 和</span>

这是 Python 中的一个解决方案。

import re

def geturl(text):
    '''
    Get all the wr(*) strings.
    Remove quotes.
    Remove <span> and </span>
    '''
    regex = re.compile(r'wr\(([^)]*)\)')
    match = regex.findall(xx)
    url = ''.join([s.replace('"', '') for s in match])
    url = url.replace('<span>', '').replace('</span>', '')
    return url

if __name__ == '__main__':
    xx = '''<script type="text/javascript">wr("<span>maddog");wr("@");wr("website-url.com</span>")</script>'''
    url = geturl(xx)
    print url

给maddog@website-url.com

Answer 2

您获得此 javascript 的网站似乎不希望您解析其 html。它使用 javascript 函数 wr 创建动态 html。下面是执行此 javascript 并解析结果代码的代码。但是我不能说这是一个简单的跟踪代码

public void Test()
{
    //C# object which will be accessed by javascript
    var csharpObj = new MyCSharpObject();

    //Create Javascript object
    Type scriptType = Type.GetTypeFromCLSID(Guid.Parse("0E59F1D5-1FBE-11D0-8FF2-00A0D10038BC"));
    dynamic obj = Activator.CreateInstance(scriptType, false);
    obj.Language = "Javascript";
    obj.AddObject("csharp", csharpObj);

    //Load Html (your string in question)
    string html = @"<script type=""text/javascript"">wr(""<span>maddog"");wr(""@"");wr(""website-url.com</span>"")</script>";
    HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
    doc.LoadHtml(html);

    //Create "wr" function
    string script = "function wr(s){csharp.wr(s);}";

    //Get the text of script tag                
    script += doc.DocumentNode.SelectSingleNode("//script").InnerText;

    //Execute script
    obj.Eval(script);

    //Load the string created by javascript execution
    doc.LoadHtml(csharpObj.Output);

    //tada.....
    var eMailAddress = doc.DocumentNode.InnerText;

    Console.WriteLine(eMailAddress);
}

[ComVisible(true)]
public class MyCSharpObject
{
    public string Output = "";
    public void wr(string s)
    {
        Output += s;
    }
}

--------编辑--------

我不确定如何编写“获取所有 wr(*) 字符串

虽然您似乎想要这样的解决方案，但我不会依赖正则表达式来解析 html

public void Test2()
{
    string html = @"<script type=""text/javascript"">wr(""<span>maddog"");wr(""@"");wr(""website-url.com</span>"")</script>";

    var parsedHtml = String.Join("",Regex.Matches(html, @"wr\(\""(.+?)\""\)")
                                            .Cast<Match>()
                                            .Select(m => m.Groups[1].Value));

    HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
    doc.LoadHtml(parsedHtml);
    var eMailAddress = doc.DocumentNode.InnerText;
}

Answer 3

string a = <script type="text/javascript">wr("<span>maddog");wr("@");wr("website-url.com</span>")</script>;
string[] b= a.replace("script type="text/javascript">","").replace("</script>","").split(';').ToArray();
string c = b.Last();
string d = c.replace("wr(","").replace("</span","");

d 是最终结果，但您可以修改代码以处理字符串中的双引号。

Answer 4

如果您正在使用正则表达式来解析 HTML，那么您可能正在做一些您可能正在做的简单方法的困难的事情。在 C# 中，尝试使用 HTML Agility Pack。另请参阅definitive question 关于此事。