急100分请求网页分析答案！解决办法
日期：2014-05-19 浏览次数：20876 次
急，100分请求网页分析答案！！
如何提取网页中 <p> </p> ， <p> <p> ， <br/> <br> ， <br> <br> 之间的内容，包括其中的链接样式这些都不能少！！
请用C#正则表达式，非常感谢！！
------解决方案--------------------
正则表达式只能匹配正则的HTML的。举例来说，如果在下载时网络中断，那么你会得到一个不完整的HTML字符串
<html> <head> <title> Title </title>
查找head的结束标签的正则表达式会失败。
网页作者也可能会编写不符合规范的HTML代码
<input type= "submit " name= "previewcomment " value= "preview > > ">
但是浏览器会正常显示这样的HTML。
你可以使用MSHTML.tlb(随IE发布)来使用IE的解析引擎。关于如何引用这个类型库，参考
http://support.microsoft.com/kb/922275
关于如何解析HTML，参考
http://www.codeproject.com/internet/parse_html.asp
------解决方案--------------------
不明白你这需求是什么意思，以 <p> </p> 为例吧，如果网页源文件里有多组这样的标签，是都取出还是只取一个？是从 <p> 开始，取到最后一个 </p> ，还是取到这个 <p> 后的第一个 </p>
正则用
<p> [\s\S]*? </p>
即可，其它同理
如果 <p> 有其它属性，用 <p[^> ]*> [\s\S]*? </p>
用Regex.Match或Regex.Matches方法提取
如果是已获得完整的网页源文件，可以用正则分析，否则参考jiangsheng提供资源
------解决方案--------------------
/// <summary>
/// 除去Hhtm元素Script脚本
/// 分析出文本内容
/// </summary>
/// <returns> </returns>
private void ParseText()
{
string pattern;
string txt = Content;
//清除标题
pattern = " <title> .*? </title> ";
txt = Regex.Replace(txt, pattern, " ", RegexOptions.IgnoreCase | RegexOptions.Singleline);
//清里面的Style
pattern = " <style.*?> .*? </style> ";
txt = Regex.Replace(txt, pattern, " ", RegexOptions.IgnoreCase | RegexOptions.Singleline);
//清里面的Script
pattern = " <script.*?> .*? </script> ";
txt = Regex.Replace(txt, pattern, " ", RegexOptions.IgnoreCase | RegexOptions.Singleline);
//清除双引号和单引号里面的内容
pattern = @ "(\\ ')|(\\ " ") ";
txt = Regex.Replace(txt, pattern, " ");
pattern = @ " " ".*? " " ";
txt = Regex.Replace(txt, pattern, " ");
pattern = " '.*? ' ";
txt = Regex.Replace(txt, pattern, " ");
//清里面的Html标记
pattern = " <.*?> ";
txt = Regex.Replace(txt, pattern, " ", RegexOptions.IgnoreCase | RegexOptions.Singleline);
pattern = " </[a-z][0-9a-z]*> ";
txt = Regex.Replace(txt, pattern, " ", RegexOptions.IgnoreCase | RegexOptions.Singleline);
//清所有的空格和回车等残余字符
pattern = @ " | <|> | " "| '\t|\r|\n ";
txt = Regex.Replace(txt, pattern, " ", RegexOptions.Singleline);
Text = txt;
}
如何提取网页中 <p> </p> ， <p> <p> ， <br/> <br> ， <br> <br> 之间的内容，包括其中的链接样式这些都不能少！！
请用C#正则表达式，非常感谢！！
------解决方案--------------------
正则表达式只能匹配正则的HTML的。举例来说，如果在下载时网络中断，那么你会得到一个不完整的HTML字符串
<html> <head> <title> Title </title>
查找head的结束标签的正则表达式会失败。
网页作者也可能会编写不符合规范的HTML代码
<input type= "submit " name= "previewcomment " value= "preview > > ">
但是浏览器会正常显示这样的HTML。
你可以使用MSHTML.tlb(随IE发布)来使用IE的解析引擎。关于如何引用这个类型库，参考
http://support.microsoft.com/kb/922275
关于如何解析HTML，参考
http://www.codeproject.com/internet/parse_html.asp
------解决方案--------------------
不明白你这需求是什么意思，以 <p> </p> 为例吧，如果网页源文件里有多组这样的标签，是都取出还是只取一个？是从 <p> 开始，取到最后一个 </p> ，还是取到这个 <p> 后的第一个 </p>
正则用
<p> [\s\S]*? </p>
即可，其它同理
如果 <p> 有其它属性，用 <p[^> ]*> [\s\S]*? </p>
用Regex.Match或Regex.Matches方法提取
如果是已获得完整的网页源文件，可以用正则分析，否则参考jiangsheng提供资源
------解决方案--------------------
/// <summary>
/// 除去Hhtm元素Script脚本
/// 分析出文本内容
/// </summary>
/// <returns> </returns>
private void ParseText()
{
string pattern;
string txt = Content;
//清除标题
pattern = " <title> .*? </title> ";
txt = Regex.Replace(txt, pattern, " ", RegexOptions.IgnoreCase | RegexOptions.Singleline);
//清里面的Style
pattern = " <style.*?> .*? </style> ";
txt = Regex.Replace(txt, pattern, " ", RegexOptions.IgnoreCase | RegexOptions.Singleline);
//清里面的Script
pattern = " <script.*?> .*? </script> ";
txt = Regex.Replace(txt, pattern, " ", RegexOptions.IgnoreCase | RegexOptions.Singleline);
//清除双引号和单引号里面的内容
pattern = @ "(\\ ')|(\\ " ") ";
txt = Regex.Replace(txt, pattern, " ");
pattern = @ " " ".*? " " ";
txt = Regex.Replace(txt, pattern, " ");
pattern = " '.*? ' ";
txt = Regex.Replace(txt, pattern, " ");
//清里面的Html标记
pattern = " <.*?> ";
txt = Regex.Replace(txt, pattern, " ", RegexOptions.IgnoreCase | RegexOptions.Singleline);
pattern = " </[a-z][0-9a-z]*> ";
txt = Regex.Replace(txt, pattern, " ", RegexOptions.IgnoreCase | RegexOptions.Singleline);
//清所有的空格和回车等残余字符
pattern = @ " | <|> | " "| '\t|\r|\n ";
txt = Regex.Replace(txt, pattern, " ", RegexOptions.Singleline);
Text = txt;
}
免责声明： 本文仅代表作者个人观点，与爱易网无关。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。
