كيف تتحلل هذه القطعة من HTML؟

Question

صباح الخير! أنا أستخدم C# (Framework 3.5SP1) وأريد تحليل جزء من HTML عبر Regex:

<h1>My caption</h1>
<p>Here will be some text</p>

<hr class="cs" />
<h2 id="x">CaptionX</h2>
<p>Some text</p>

<hr class="cs" />
<h2 id="x">CaptionX</h2>
<p>Some text</p>

<hr class="cs" />
<h2 id="x">CaptionX</h2>
<p>Some text</p>

أحتاج إلى الإخراج التالي:

• المجموعة 1: محتوى H1
• المجموعة 2: محتوى نص H1 متابع
• المجموعة 3-N: محتوى الفرع الفرعي + النص

ما لدي أجهزة الصراف الآلي:

<hr.*?/>
<h2.*?>(.*?)</h2>
([\W\S]*?)
<hr.*?/>

سيعطيني هذا كل محتوى فرعي فرعي + محتوى (على سبيل المثال 1 ، 3 ، ...) بسبب الخلاف <hr/>. لتحليل caption H1 لدي نمط آخر (<h1.*?>(.*?)</h1>) ، وهو ما يعطيني فقط التسمية التوضيحية ولكن ليس المحتوى - أنا بخير مع جهاز الصراف الآلي هذا.

هل لدى أي شخص تلميح/حل لي أو أي منطق بديل (على سبيل المثال ، تحليل HTML عبر القارئ وتعيينه بهذه الطريقة؟)؟

تعديل:
كما جلب البعض htmlagilitypack, ، كنت فضوليًا بشأن هذه الأداة الجميلة. لقد أنجزت الحصول على محتوى <h1>-بطاقة شعار.
ولكن ... myprobled يتم تحليل الباقي. هذا ناتج عن: علامات المحتوى قد تختلف - من <p> ل <div> و <ul>... أجهزة الصراف الآلي هذا يبدو أكثر أو أقل تكرار على الوثيقة بأكملها وعلامة التحليل للعلامة ...؟ أي تلميحات؟

Answer 1

سوف تحتاج حقا HTML Parser لهذا

Answer 2

لا تستخدم Regex لتحليل HTML. النظر في استخدام HTML ATCILITY PACK.

Answer 3

هناك بعض الاحتمالات:

Regex - سريع ولكن غير موثوق به ، لا يمكن التعامل مع HTML المشوهة.

htmlagilitypack - جيد ، ولكن لديك العديد من تسرب الذاكرة. إذا كنت ترغب في التعامل مع بعض الملفات ، فلا توجد مشكلة.

SGMLReader - جيد حقًا ، ولكن هناك مشكلة. في بعض الأحيان ، لا يمكن العثور على مساحة الاسم الافتراضية للحصول على العقد الأخرى ، فمن المستحيل تحليل HTML.

http://developer.mindtouch.com/sgmlreader

مهيب 12 - جيد ولكن ليس سريعًا مثل SGMLReader.

http://www.majestic12.co.uk/projects/html_parser.php

مثال على SGMLReader (VB.NET)

Dim sgmlReader As New Sgml.SgmlReader()
Public htmldoc As New System.Xml.Linq.XDocument
sgmlReader.DocType = "HTML"
sgmlReader.WhitespaceHandling = System.Xml.WhitespaceHandling.All
sgmlReader.CaseFolding = Sgml.CaseFolding.ToLower
sgmlReader.InputStream = New System.IO.StringReader(vSource)
sgmlReader.CaseFolding = CaseFolding.ToLower
htmldoc = XDocument.Load(sgmlReader)    
Dim XNS As XNamespace 

' In this part you can have a bug, sometimes it cant get the Default Namespace*********
Try
      XNS = htmldoc.Root.GetDefaultNamespace
Catch
        XNS = "http://www.w3.org/1999/xhtml"
End Try
If XNS.NamespaceName.Trim = "" Then
        XNS = "http://www.w3.org/1999/xhtml"
End If

'use it with the linq commands
For Each link In htmldoc.Descendants(XNS + "script")
        Scripts &= link.Value
Next

في Majestic-12 مختلفة ، عليك المشي إلى كل علامة مع أمر "التالي". يمكنك العثور على رمز مثال مع DLL.

Answer 4

كما ذكر آخرون ، استخدم htmlagilitypack. ومع ذلك ، إذا كنت تحب محددات JQuery/CSS ، فقد وجدت للتو شوكة من htmlagilitypack تسمى Fizzler:http://code.google.com/p/fizzler/باستخدام هذا يمكنك أن تجد كل شيء <p> العلامات باستخدام:

var pTags = doc.DocumentNode.QuerySelectorAll('p').ToList();

أو ابحث عن div محددة مثل <div id="myDiv"></div>:

var myDiv = doc.DocumentNode.QuerySelectorAll('#myDiv');

لا يمكن أن تحصل على أي أسهل من ذلك!