Qt Regexp 从 Html 字符串中提取 <p> 标签答案

【问题标题】：Qt Regexp extract <p> tags from Html stringQt Regexp 从 Html 字符串中提取 <p> 标签
【发布时间】：2016-08-02 23:47:38
【问题描述】：

我有一个 RichText，我将 QTextEdit 中的 Html 源存储在一个字符串中。我想做的是一一提取所有行（我有 4-6 行）。字符串如下所示：

//html opening stuff
<p style = attributes...><span style = attributes...>My Text</span></p>
//more lines like this
//html closing stuff

所以我需要从开始 p 标签到结束 p 标签的整行（也包括 p 标签）。我检查并尝试了在这里和其他网站上找到的所有内容，但仍然没有结果。

这是我的代码（“htmlStyle”是输入字符串）：

QStringList list;
QRegExp rx("(<p[^>]*>.*?</p>)");
int pos = 0;

while ((pos = rx.indexIn(htmlStyle, pos)) != -1) {
    list << rx.cap(1);
    pos += rx.matchedLength();
}

或者有没有其他方法可以在没有正则表达式的情况下做到这一点？

【问题讨论】：

这个问题是一个经典的 X-Y 问题，在您告诉我们为什么需要在富文本文档中迭代段落之前是不完整的。你将如何处理这些段落？请注意，“我将进一步解析它们”不是要走的路：您真的不想编写自己的 HTML 解析器。除非您对其进行解析，否则您无法处理其中包含一些 HTML 的文本字符串。将解析留给 Qt，无论如何它已经做到了。利用 Qt 允许您访问的 HTML 解析器。
您可以尝试使用 QDomDocument 的 xml 阅读器

标签： html regex qt extract qregexp

【解决方案1】：

HTML/XML 不是常规语法。你不能用正则表达式解析它。参见例如this question。解析 HTML 并非易事。

您可以使用QTextDocument、QTextBlock、QTextCursor 等对富文本文档中的段落进行迭代。所有的 HTML 解析都会为您处理。这正是QTextEdit 支持的HTML 子集：它使用QTextDocument 作为内部表示。您可以使用QTextEdit::document() 直接从小部件中获取它。例如：

void iterate(QTextEdit * edit) {
   auto const & doc = *edit->document();
   for (auto block = doc.begin(); block != doc.end(); block.next()) {
      // do something with text block e.g. iterate its fragments
      for (auto fragment = block.begin(); fragment != block.end(); fragment++) {
         // do something with text fragment
      }
   }
}

您应该探索QTextDocument 的结构并根据需要使用它，而不是手动错误地解析 HTML。

【讨论】：

【解决方案2】：

下面是纯java方式，希望对你有帮助：

int startIndex = htmlStyle.indexOf("<p>");
        int endIndex = htmlStyle.indexOf("</p>");
        while (startIndex >= 0) {
            endIndex = endIndex + 4;// to include </p> in the substring
            System.out.println(htmlStyle.substring(startIndex, endIndex));
            startIndex = htmlStyle.indexOf("<p>", startIndex + 1);
            endIndex = htmlStyle.indexOf("</p>", endIndex + 1);
        }

【讨论】：

谢谢，我想它会起作用的！我只需要考虑一下。 Qt 中没有子字符串。我尝试使用“section()”，它返回 4 个空字符串，这部分是好的，因为我当前的字符串中有 4 个匹配项。我只需要弄清楚如何获取实际文本。
现在它就像一个魅力！再次感谢！ QStringRef subString(&htmlStyle, startIndex, endIndex-startIndex); 从 startIndex 进入 htmlStyle 到 endIndex-startIndex 长度后停止！

【解决方案3】：

对于那些需要完整 Qt 解决方案的人，我根据@Aditya Poorna 的回答找到了答案。感谢您的提示！

代码如下：

int startIndex = htmlStyle.indexOf("<p");
int endIndex = htmlStyle.indexOf("</p>");

while (startIndex >= 0) {
    endIndex = endIndex + 4;
    QStringRef subString(&htmlStyle, startIndex, endIndex-startIndex);
    qDebug() << subString;
    startIndex = htmlStyle.indexOf("<p", startIndex + 1);
    endIndex = htmlStyle.indexOf("</p>", endIndex + 1);
}

“QStringRef subString”从“startIndex”进入“htmlStyle”直到“endIndex-startIndex”的长度！

【讨论】：