Как извлечь значения из HTML с помощью Regex?

Question

Учитывая следующий HTML:

<p><span class="xn-location">OAK RIDGE, N.J.</span>, <span class="xn-chron">March 16, 2011</span> /PRNewswire/ -- Lakeland Bancorp, Inc. (Nasdaq:   <a href='http://studio-5.financialcontent.com/prnews?Page=Quote&Ticker=LBAI' target='_blank' title='LBAI'> LBAI</a>), the holding company for Lakeland Bank, today announced that it redeemed <span class="xn-money">$20 million</span> of the Company's outstanding <span class="xn-money">$39 million</span> in Fixed Rate Cumulative Perpetual Preferred Stock, Series A that was issued to the U.S. Department of the Treasury under the Capital Purchase Program on <span class="xn-chron">February 6, 2009</span>, thereby reducing Treasury's investment in the Preferred Stock to <span class="xn-money">$19 million</span>. The Company paid approximately <span class="xn-money">$20.1 million</span> to the Treasury to repurchase the Preferred Stock, which included payment for accrued and unpaid dividends for the shares. &#160;This second repayment, or redemption, of Preferred Stock will result in annualized savings of <span class="xn-money">$1.2 million</span> due to the elimination of the associated preferred dividends and related discount accretion. &#160;A one-time, non-cash charge of <span class="xn-money">$745 thousand</span> will be incurred in the first quarter of 2011 due to the acceleration of the Preferred Stock discount accretion. &#160;The warrant previously issued to the Treasury to purchase 997,049 shares of common stock at an exercise price of <span class="xn-money">$8.88</span>, adjusted for stock dividends and subject to further anti-dilution adjustments, will remain outstanding.</p>

Я хотел бы получить значения внутри <span> элементы. Я также хотел бы получить ценность class атрибут на <span> элементы.

В идеале я мог бы просто запустить HTML через функцию и вернуть словарь извлеченных сущностей (на основе <span> Расположение определено выше).

Приведенный выше код представляет собой фрагмент из более крупного источника html -файла, который не может привести к тому, что анализатор XML. Поэтому я ищу возможное регулярное выражение, чтобы помочь извлечь интересующую информацию.

Answer 1

Используйте этот инструмент (бесплатно):http://www.radsoftware.com.au/regexdesigner/

Используйте эту форму:

"<span[^>]*>(.*?)</span>"

Значения в группе 1 (для каждого матча) будут текстом, который вам нужен.

В C# это будет выглядеть как:

            Regex regex = new Regex("<span[^>]*>(.*?)</span>");
            string toMatch = "<span class=\"ajjsjs\">Some text</span>";
            if (regex.IsMatch(toMatch))
            {
                MatchCollection collection = regex.Matches(toMatch);
                foreach (Match m in collection)
                {
                    string val = m.Groups[1].Value;
                    //Do something with the value
                }
            }

---

Подумал, чтобы ответить на комментарий:

            Regex regex = new Regex("<span class=\"(.*?)\">(.*?)</span>");
            string toMatch = "<span class=\"ajjsjs\">Some text</span>";
            if (regex.IsMatch(toMatch))
            {
                MatchCollection collection = regex.Matches(toMatch);
                foreach (Match m in collection)
                {
                    string class = m.Groups[1].Value;
                    string val = m.Groups[2].Value;
                    //Do something with the class and value
                }
            }

Answer 2

Предполагая, что у вас нет вложенное теги SPAN, следующее должно работать:

/<span(?:[^>]+class=\"(.*?)\"[^>]*)?>(.*?)<\/span>/

Я провел только какое -то базовое тестирование, но оно будет соответствовать классу тега SPAN (если он существует) вместе с данными, пока тег не будет закрыт.

Answer 3

я сильно Посоветуйте вам использовать настоящий HTML или XML -анализатор для этого. Вы не можете надежно разобрать HTML или XML с регулярными выражениями-Насколько вы можете сделать,-это приблизиться, и чем ближе вы приближаетесь, тем более запутанным и трудоемким будет ваша корпорация. Если у вас есть большой HTML -файл для анализа, он, скорее всего, сломает какой -либо простой шаблон режима.

Regex нравится <span[^>]*>(.*?)</span> будет работать над вашим примером, но есть много кода XML-Valid, который сложно или даже невозможно разобрать с помощью Regex (например,, например, <span>foo <span>bar</span></span> сломает вышеуказанный шаблон). Если вы хотите что -то, что будет работать над другими HTML -образцами, Regex - это не то, чтобы пойти сюда.

Поскольку ваш HTML-код не является xml-valid, рассмотрите HTML Agility Pack, что я слышал, очень хорошо.