解析html文件

Question

我想解析 html 文件并在 html 的某些部分查找数字。此脚本的目标是为每个令牌获取一个数字。此脚本必须找到属于正确 IP 地址的号码。

数字是IP的一部分，但IP不完整，而是分隔成html标签。这就是为什么这项工作很复杂。到现在我有这个代码：

@echo off
Setlocal EnableDelayedExpansion
SET proxy_3=hide_2.htm         

FOR %%Z IN (hide_2.htm) DO (
FOR /F "tokens=1-20 delims=<>" %%A IN ('grep -B 1411 -E "</table>" %%Z ^| grep -E ^"^(display^|^^\d\d{1,3}^|country^|^<td^>HTTP^|rightborder^).*$^" ') DO (
echo A:%%A + B:%%B + C:%%C + D:%%D + %%E + %%F + %%G + %%H + %%I + %%J + %%K + %%L
FOR %%? in ( "%%~A", "%%~B", "%%~C", "%%~D", "%%~E", "%%~F", "%%~G", "%%~H", "%%~I", "%%~J") DO (
SET $=%%~?
echo $:!$!
)
pause
)
)

我在这里给出了带有颜色格式的代码链接： http://codepaste.net/iaf4zr

然后，这里是我解析的 html 源代码： 参见第 581-585 行： http://codepaste.net/11bqxd （请耐心等待，加载需要一些时间。但如果您不想等待，我将源 html 粘贴在这里而不格式化： http://codepaste.net/wdkcdr)

如果您想查看缩短版 - 这是相关部分 L.581-585： http://codepaste.net/e1t61n

现在我做了一些调试：

A:          + B:td + C:span + D:span + 41 + /span + span style="display: none;"
+ 111 + /span + div +  +
$:
$:td
$:span
$:span
$:41
$:/span
$:span style="display:
$:none
$:
$:111
$:/span
$:div
Press any key to continue...
A: style="display: none;" + B:190 + C:/div + D:span class="" style="" + . + /spa
n + span + 197 + /span + span +  +
$: style="display:
$:none
$:
$:190
$:/div
$:span class="" style=""
$:.
$:/span
$:span
$:197
$:/span
$:span
Press any key to continue...
A: style="display: none;" + B:24 + C:/span + D:span + /span + . + span style="di
splay:  +  +  +  +  +
$: style="display:
$:none
$:
$:24
$:/span
$:span
$:/span
$:.
$:span style="display:
$: "" "" "
Press any key to continue...
A:inline;" + B:132 + C:/span + D:span style="display: none;" + 39 + /span + . +
span  +  +  +  +
$:inline;"" "132" "/span" "span
$:style
$:display: none;"" "39" "/span" "." "span
$: "" "

美元 - $: 标记 $ 变量的值，它应该是来自第二个循环的派生列/标记，不带引号。在这里，我寻找不带引号的数字值。这在最后一种情况下失败。

字符 B：... D：标记前 4 个标记/列，其余标记不标记...

第 581-585 行的关注/相关部分是：

A:inline;" + B:132 + C:/span + D:span style="display: none;" + 39 + /span + . +
span + + + +
$:inline;"" "132" "/span" "span
$:style
$:display: none;"" "39" "/span" "." "span
$: "" "

如果您想看到这部分颜色，请查看此链接： http://www.dostips.com/forum/viewtopic.php?f=3&t=3435

所以第二个循环中的标记 B 是 132，没有引号。看起来不错。但在第三个循环中，它变为 ... style。

而第二个循环中的第一个标记是 inline;"，而第三个循环显示：inline;"" "132" "/span" "span

你能解释一下这是怎么可能的吗？我想在收到第二个成员时看到 132。我可以成功解析前 3 个数字，但这是我无能为力的。

Answer 1

您的问题在于解析引号。当行

FOR /F "tokens=1-20 delims=<>" %%A IN 

执行，您的许多变量都被分配了包含一个或多个双引号的值。例如，第一次通过循环时，G 等价于：

(set G=span style="display: none;")

然后在你有的内部循环中

FOR %%? in ( "%%~A", "%%~B", "%%~C", "%%~D", "%%~E", "%%~F", "%%~G", "%%~H",...

“%%~G”被替换为

"span style="display: none;""

这会被解析为两个标记：

"span style="display:

和

无；""

（因为 = 和 display 之间的 " 在开头终止了 "，因此 none; 之前的空格变得重要）

同样在第三次循环中，也就是你遇到问题的地方，A、B、C、D等价分配给

set A=inline;"
set B=132
set C=/span
set D=span style="display: none;"
set E=39
set F=/span
set G=.

现在，很容易忽略 H 的值。仔细检查“A:...”输出行可以发现，H 等效于：

(set H=span )

或

set "H=span "

即H 是字符串跨度后跟一个空格，所以现在你的内部循环

FOR %%? in ( "%%~A", "%%~B", "%%~C", "%%~D", "%%~E", "%%~F", "%%~G", "%%~H", "%%~I", "%%~J")

等效于（shell 在替换 %% 变量和解析标记之前删除 , 尾随 "）

FOR %%? in ( "inline;"" "132" "/span" "span style="display: none;"" "39" "/span" "." "span " "" "" )

并仔细查看它是如何解析的。 “排队;”是一个字符串，那么“”是一个字符串并且嵌入的空格不被视为标记分隔符，然后是没有空格的132，“”再次是一个字符串并且嵌入的空格不被视为标记分隔符，然后是/span 和 " " 其中再次嵌入的空格不被视为标记分隔符，最后是 span 和空格，因此第一个标记变为

set ?="inline;"" "132" "/span" "span

接下来，我们得到了“for”解析的一个未记录的特性：引号外的 = 被视为空格，因此第二个标记是

set ?=style

然后是第三个标记，从“display: none;”开始然后是 " " 然后 39 然后 " " 然后/span 然后 " " 然后 .然后是“”然后是span，当我们最终遇到一个重要的空格时，所以

set ?="display: none;"" "39" "/span" "." "span

那么最后一个记号是“”后跟“”后跟一个未终止的“，所以

set ?=" "" ""

简而言之，您需要做的是在适当的位置去掉引号。从根本上说，您的问题是第一个标记 %%A 包含一个不匹配的双引号，这完全搞砸了 For 循环中文本行的解析。