C#中特定html标签的正则表达式[重复]答案

【问题标题】：Regex for specific html tag in C# [duplicate]C#中特定html标签的正则表达式[重复]
【发布时间】：2012-05-28 02:34:44
【问题描述】：

我正在尝试从谷歌产品页面抓取特定的 html 标签，包括它们的数据。我想得到这个有序列表中的所有

标签并将它们放在一个列表中。

代码如下：

   <td valign="top">
        <div id="center_col">
          <div id="res">
            <div id="ires">
              <ol>
                   <li class="g">
                  <div class="pslires">
                    <div class="psliimg">
                      <a href=
                      "https://www.google.com">
                     </a>
                    </div>

                    <div class="psliprice">
                      <div>
                        <b>$59.99</b> used
                      </div><cite>google auctions</cite>
                    </div>

                    <div class="pslimain">
                      <h3 class="r"><a href=
                      "https://www.google.com">
                      google</a></h3>

                      <div>
                 dummy data     </div>
                    </div>
                  </div>
                </li>

                 <li class="g">
                  <div class="pslires">
                    <div class="psliimg">
                      <a href=
                      "https://www.google.com">
                     </a>
                    </div>

                    <div class="psliprice">
                      <div>
                        <b>$59.99</b> used
                      </div><cite>google auctions</cite>
                    </div>

                    <div class="pslimain">
                      <h3 class="r"><a href=
                      "https://www.google.com">
                      google</a></h3>

                      <div>
                 dummy data     </div>
                    </div>
                  </div>
                </li>

              <li class="g">
                  <div class="pslires">
                    <div class="psliimg">
                      <a href=
                      "https://www.google.com">
                     </a>
                    </div>

                    <div class="psliprice">
                      <div>
                        <b>$59.99</b> used
                      </div><cite>google auctions</cite>
                    </div>

                    <div class="pslimain">
                      <h3 class="r"><a href=
                      "https://www.google.com">
                      google</a></h3>

                      <div>
                 dummy data     </div>
                    </div>
                  </div>
                </li>
                <li class="g">
                  <div class="pslires">
                    <div class="psliimg">
                      <a href=
                      "https://www.google.com">
                     </a>
                    </div>

                    <div class="psliprice">
                      <div>
                        <b>$59.99</b> used
                      </div><cite>google auctions</cite>
                    </div>

                    <div class="pslimain">
                      <h3 class="r"><a href=
                      "https://www.google.com">
                      google</a></h3>

                      <div>
                 dummy data     </div>
                    </div>
                  </div>
                </li>
              </ol>
            </div>
          </div>
        </div>

        <div id="foot">
          <p class="flc" id="bfl" style="margin:19px 0 0;text-align:center"><a href=
          "/support/websearch/bin/answer.py?answer=134479&amp;hl=en">Search Help</a>
          <a href=
          "/quality_form?q=Pioneer+Automotive+PF-555-2000&amp;hl=en&amp;tbm=shop">Give us
          feedback</a></p>

          <div class="flc" id="fll" style="margin:19px auto 19px auto;text-align:center">
            <a href="/">Google&nbsp;Home</a> <a href=
            "/intl/en/ads">Advertising&nbsp;Programs</a> <a href="/services">Business
            Solutions</a> <a href="/intl/en/policies/">Privacy &amp; Terms</a> <a href=
            "/intl/en/about.html">About Google</a>
          </div>
        </div>
      </td>

我想获取所有<li class="g"> 标签和每个标签中的数据。这可能吗？

【问题讨论】：

嗯。所有这些的正则表达式？？？
You can't parse HTML with regex
不可能，HTML无法解析，需要解释。尝试使用谷歌搜索“来自 html 的 c# 数据”（以前从未做过类似的事情，抱歉）
查看stackoverflow.com/questions/56107/… 基本上：htmlagilitypack.codeplex.com 查看示例
当你说你想要所有的“标签”时，你是指 HTML 标签吗？你想去多深？它应该遵循任何特定的格式吗？我还建议删除

标签： c# html regex web-scraping

【解决方案1】：

使用 xml 解析器之类的东西而不是使用正则表达式可能对您的情况更有用。将其加载到 xml 文档中，然后使用 SelectNodes 之类的工具来获取您要查找的数据

http://msdn.microsoft.com/en-us/library/4bektfx9.aspx

【讨论】：

查看我对 OP 的评论。有一个更特定于 HTML 的库，并且更能容忍源代码中的错误 - HTMLAgilityPack
我会牢记这一点，以备日后的努力，谢谢！

【解决方案2】：

对于这个特殊问题，我不会使用正则表达式。

相反，我会这样攻击它：

1) 将页面保存为 html 字符串。 2）使用前面提到的 htmlagilitypack 或 htmltidy（我的偏好）转换为 XML。 3)使用xDocument按标签浏览Dom对象并保存数据。

尝试创建一个正则表达式来从可能是流动的 HTML 页面中提取数据会让您心碎。

【讨论】：

【解决方案3】：

您可以使用HtmlAgilityPack 来解析HTML，而不是使用正则表达式。

var doc = new HtmlDocument();
doc.LoadHtml(html);
var listItems = doc.DocumentNode.SelectNodes("//li");

上面的代码将为您提供文档中的所有<li> 项目。要将它们添加到列表中，您只需迭代集合并将每个项目添加到列表中。

【讨论】：