正则表达式解析html标题标签答案

【问题标题】：regular expression to parse html title tag正则表达式解析html标题标签
【发布时间】：2011-04-12 14:53:06
【问题描述】：

我需要解析大量的 html 文件才能知道哪些文件包含标题标签中的特定文本。

假设标题是

file1.htm
<title>100 text other text</title>
file2.htm
<title>text 100 text other text</title>
file3.htm
<title>text 1000 text other text</title>
file4.htm
<title>text one hundred text other text</title>

按照我的示例，我需要找到包含 100 或 100 的文件名，即文件 1,2 和 4。

我的问题是我不会写正则表达式

gci "c:\my_folder" | ? {$_.extension -eq ".htm"} | 
select-string -pattern '<title>*100*</title>' |
Select-Object -Unique Path

请注意，如果这对正则表达式很重要，那么标题标签不是在行的开头而是在中间。提前致谢。

【问题讨论】：

通常情况下，使用正则表达式解析 HTML 是不好的。仅供参考。
关于使用正则表达式解析 HTML 的强制性警告：stackoverflow.com/questions/1732348/…
在这一点上稍微扩展一下：title 元素的内容可能会扩展到多行；它们可能包含其他 HTML 标记。由于其嵌套结构，HTML 标记通常不适合正则表达式处理。也许在这种情况下，您确切地知道您的输入文件是如何制作的，并且您知道标题总是在一行中，并且从不包含任何困难的东西。 IF 就是这样，那么正则表达式可能不是一个疯狂的方法。否则，你真的应该使用合适的解析器。
感谢您的回复。我已经阅读了链接，但是如果它很糟糕并且我无法解析它们，我还有其他选择吗？编辑。现在我阅读了您的最后回复。
我对 PowerShell 一无所知，但您应该尝试将模式中的 * 替换为 .*。 . 匹配任何字符。 * 的意思是“与我刚才所说的事情相匹配的任何事情”。所以.* 的意思是“任意数量的任意字符”。但是，我再说一遍，请仔细考虑正则表达式是否真的适合这项工作。

标签： regex powershell html-parsing

【解决方案1】：

应该这样做。

^.*<title>(.*(100|one\shundred)[^0].*)?</title>.*$

【讨论】：

请问[^0]是什么意思？
不允许1000，即100+0
@nick rulez，就像上面的评论所说，这将停止匹配 1000 表示不允许 0 作为下一个字符。
啊，好的。现在我明白了。再次感谢您的好意。 :)
这个解决方案 (^.*<title>(.*(100|one\shundred)[^0].*)?</title>.*$) 过度使用了 greedy-dot-star！（它做了很多不必要的工作，尤其是在测试不匹配的长文件时。）并且不需要在 TITLE 元素之前或之后匹配任何内容。更好（也更快）的表达式是：<title>[^<]*?\b(100|one\s+hundred)\b[^<]*</title>.

【解决方案2】：

试试

<title>(.*[^[:alnum:]])?(100|one hundred)([^[:alnum:]].*)?</title>

用于匹配的模式。模式语法是 PCRE（就像在 perl 中一样），如果需要，可以重新制定。

最好的问候，

卡斯滕

ps：当心陷阱——来自 cmets 的所有建议和警告都成立；尽管如此，在您的情况下，正则表达式方法似乎是可行的（主要是因为您正在调查“标题”标签的内容，每个文件应该只有一个，并且将它分散到多行将是愚蠢的恕我直言）。

【讨论】：

感谢 collapsar。甚至您的解决方案似乎也很完美。我也给了你一个赞成票，但我接受了 jimplode 的回答，因为他首先回答了。再次感谢。你是天才。恐怕我永远学不会这些正则表达式。 :(
谢谢。但是请注意，您接受的解决方案也将匹配“百分之一”，这可能不是您想要的。问候，卡斯滕
感谢您的警告。正如您所看到的，我完全是 regexp 的新手，所以我无法掌握这些小细节。 :) 我不会有“百分之一”的问题，因为我的母语是意大利语。为了让每个人都能理解，我把问题用英文表述了。我需要解析意大利字符串；）再次感谢。