如何从匹配中排除包含开始和结束标记之间特定字符串的表行？答案

【问题标题】：How to exclude table rows that contain specific strings between start and end tag from matching?如何从匹配中排除包含开始和结束标记之间特定字符串的表行？
【发布时间】：2011-03-02 22:53:24
【问题描述】：

上下文 该案例是使用 QuotaXML SDK 1.6 对 Web 内容进行屏幕抓取，最终在仪表板和 iPhone 上显示数据。这个 QuotaXML 工具提供了仅用于提取表数据的正则表达式。 QuotaXML 确实使用三步方法解析 html 表。 1.首先识别表，例如使用“(?si)<table.*?>(.*?)</table>” 2. 在这个解析的表中，它识别行的第二个，比如“(?si)<tr.*?>(.*?)</tr>” 3. 在此行范围内的第三个，将单个单元格标识为“(?si)<tr.*?>(.*?)</tr>”

问题源 html 包含一些不相关的数据行，例如使用 colspan 跨越整个表格宽度的行或图像。或者表格包含与所需数据线路无关的数据单元格，例如呼叫详细记录，其中还包含未从您的计划中的分钟数中减去的免费电话的呼叫，在本例中为 0800 和 00800 号码。换句话说，(.*?) 可能不匹配 'colspan="' 和 '>0800' 和 '>00800'。

在代码中：

exclude:<tr><td colspan="2"></td></tr>
include:<tr><td><strong>Date</strong></td><td><strong>Time</strong></td></tr>
exclude:<tr><td>05-01-2011</td><td>08004913</td></tr>
include:<tr><td>05-01-2011</td><td>0123456789</td></tr>

功课完成 即使尝试我的第一个（开始简单）尝试只排除 colspan 都失败了：

(?si)<tr.*?>(?!colspan)(.*?)</tr>
(?si)<tr.*?>(.*?)(?!colspan)</tr>
(?si)<tr.*?>.*?[^colspan].*?</tr>
(?si)<tr(\s[^>]*)?>.*?(?!colspan).*?</tr>
(?si)<tr(\s[^>]*)?>.*?(!colspan).*?</tr>
(?si)<tr(\s[^>]*)?>(.*?)(?!colspan)</tr>
(?si)<tr.*?>^(?!.*?colspan=").*?</tr> How to negate specific word in regex? 似乎相关，尽管这些建议根本不匹配。
(?si)<tr.*?>(.(?<!colspan))*?</tr>
(?si)<tr.*?>(?!.*colspan).*</tr> 也不要使用http://www.regular-expressions.info/lookaround.html 提供正面和负面的环顾四周。

我应该如何正确编写这个正则表达式？

【问题讨论】：

只是不要用正则表达式解析 HTML：stackoverflow.com/questions/1732348/…
我知道我不应该使用正则表达式解析 HTML。正如问题中所解释的，该工具除了使用正则表达式之外没有提供其他选项。

标签： html regex

【解决方案1】：

您遇到的第一个问题是您的原始表达式非常脆弱，因为“。*？>”旨在匹配最早的“>”-但实际上将匹配以下“ >" 如果表达式的其余部分失败并回溯。

请改用“[^>]*>”之类的结构。

第二个问题是您误解了负前瞻的含义：它不是检查给定模式是否出现在其位置之前 - 它是在其位置之前查看模式是否出现在 AT那个位置。

通过这两个更改，您的第一次尝试非常接近解决您的测试用例：

$ pcretest
PCRE version 7.8 2008-09-05

  re> /(?si)<tr[^>]*>(?!.*(colspan|>0?0800))(.*?)<\/tr>/
data> <tr><td colspan="2"></td></tr>
No match
data> <tr><td><strong>Date</strong></td><td><strong>Time</strong></td></tr>
 0: <tr><td><strong>Date</strong></td><td><strong>Time</strong></td></tr>
 1: <unset>
 2: <td><strong>Date</strong></td><td><strong>Time</strong></td>
data> <tr><td>05-01-2011</td><td>08004913</td></tr>
No match
data> <tr><td>05-01-2011</td><td>0123456789</td></tr>
 0: <tr><td>05-01-2011</td><td>0123456789</td></tr>
 1: <unset>
 2: <td>05-01-2011</td><td>0123456789</td>

请注意，这仍然无法解决整个问题，因为字符串后面出现“colspan”或 800 数字会阻止匹配。您需要更多的测试用例，例如：

$ pcretest
PCRE version 7.8 2008-09-05

  re> /(?si)<tr[^>]*>(?!.*(colspan|>0?0800))(.*?)<\/tr>/
data> <tr><td>05-01-2011</td><td>0123456789</td></tr><tr><td colspan="2"></td></tr>
No match

所以你需要确保负前瞻永远不会跨越到下一个：

$ pcretest
PCRE version 7.8 2008-09-05

  re> /(?si)<tr[^>]*>(?!((?!<\/tr).)*(colspan|>0?0800))(.*?)<\/tr>/
data> <tr><td colspan="2"></td></tr>
No match
data> <tr><td><strong>Date</strong></td><td><strong>Time</strong></td></tr>
 0: <tr><td><strong>Date</strong></td><td><strong>Time</strong></td></tr>
 1: <unset>
 2: <unset>
 3: <td><strong>Date</strong></td><td><strong>Time</strong></td>
data> <tr><td>05-01-2011</td><td>08004913</td></tr>
No match
data> <tr><td>05-01-2011</td><td>0123456789</td></tr>
 0: <tr><td>05-01-2011</td><td>0123456789</td></tr>
 1: <unset>
 2: <unset>
 3: <td>05-01-2011</td><td>0123456789</td>
data> <tr><td>05-01-2011</td><td>0123456789</td></tr><tr><td colspan="2"></td></tr>
 0: <tr><td>05-01-2011</td><td>0123456789</td></tr>
 1: <unset>
 2: <unset>
 3: <td>05-01-2011</td><td>0123456789</td>

此时人们可能想知道 RegExps 是否是解决这个特定问题的正确工具 :-)

【讨论】：

完美，感谢您的快速和恰当的回答，甚至包括一步一步的解释。
在您的帮助下，我还可以构建逆正则表达式，选择每个包含特定字符串的 ... 块。在此示例中，“短信”的匹配是通过(?si)<tr[^>]*>(?:((?!<\/tr).)*>Sms<\/td>)(.*?)</tr> 完成的

【解决方案2】：

我不知道这是否是它失败的原因，但个别单元格是 td 而不是 tr。这应该工作

(?si)<td(?!colspan)>(.*)</td>

【讨论】：

这不是它失败的原因。目的是选择开始 <tr> 和结束 </tr> 之间的所有文本，只要该 innerhtml 不包含特定的字符串模式。确切的位置（为了简化）并不重要。
'Pro Backup'，我得记住这个名字
读完后我以为你想要的是单个单元格而不是行中的信息。如果它在一行中，那没关系，如果它在一个单元格中，它就可以了。