获取不同 HTML 标签的最佳方法

StackOverflow https://stackoverflow.com/questions/31535

  •  09-06-2019
  •  | 
  •  

题

我试图从不同的博客中获取一些 HTML，并注意到不同的提供商以不同的方式使用相同的标签。

例如，以下两个主要提供商以不同的方式使用元名称生成器标签：

  • 博主： <meta content='blogger' name='generator'/> （内容第一，名称第二，是的，单引号！）
  • WordPress: <meta name="generator" content="WordPress.com" /> （先名称，后内容）

有没有办法提取所有情况下的内容值（单引号/双引号，行中的第一个/最后一个）？

附：虽然我使用的是 Java，但如果它适用于正则表达式，答案可能会帮助更多的人。

有帮助吗？

解决方案

答案是： 不要使用正则表达式.

严重地。使用 SGML 解析器，或者如果您碰巧知道它是有效的 XML（可能几乎从来都不是），则使用 XML 解析器。你绝对会搞砸并浪费大量时间试图把事情做好。只需使用已有的即可。

其他提示

实际上，您可能应该使用某种 HTML 解析器，您可以在其中检查页面 DOM 中的每个节点（以及节点属性）。我已经有一段时间没有使用这些了，所以我不知道它们的优缺点，但这里有一个列表 http://java-source.net/open-source/html-parsers

根据 XHTML 标准，这些差异并不重要。

换句话说，它们是完全相同的东西。

另外，如果将双引号替换为单引号，效果也是一样的。

“规范化”XML 文档的典型方法是使用一些将文档视为其 Infoset 表示形式的 API 来对其进行精简。DOM 和 SAX 风格的 API 都是这样工作的。

如果您想手动（或使用正则表达式）解析它们，则必须在代码中复制所有这些内容，在我看来，这是不切实际的。

笔记：单引号（即使没有引号，如果值不包含空格）根据以下规则有效 W3C HTML 规范. 。引用：

默认情况下，SGML 要求所有属性值都使用双引号（ASCII 十进制 34）或单引号（ASCII 十进制 39）分隔...在某些情况下，作者可以指定不带任何引号的属性值。

另外，不要忘记属性的顺序可以颠倒，并且其他属性可以出现在标签中。

你可能想给 Java 的 HTML编辑器工具包 一枪。很容易进行试验，看看解析是否提供了您正在寻找的内容。

好的，既然您正在寻找与语言无关的内容，那么您可以尝试像这样的正则表达式 /<meta\s.*content=.*>/ 并从中获取结果并解析出您正在寻找的特定值。我绝不是正则表达式专家，因此可能有更好的方法，但在使用该工具时 http://www.codehouse.com/webmaster_tools/regex/ 我匹配了您提供的两个字符串。

如果您必须使用正则表达式，这里有一个仅获取内容部分的正则表达式：

content\s*=\s*['"].*?['"]

回报

content = "blogger"

和

content='Worpress.com'

分别。我不是正则表达式专家，但是当给出您的示例时它会得到这些 正则表达式.

一旦你明白了，你就可以得到引号之间的所有内容，无论你选择什么，无论是另一个正则表达式（这在当时是不道德的）还是只是循环字符。

如果你使用 java 你可能想看看 标签汤, ，它是一个符合 SAX 的解析器，用于“[解析]在野外发现的 HTML”。

许可以下： CC-BY-SA 和 归因
不隶属于 StackOverflow
scroll top