如何使用正则表达式从 HTML 网页中提取信息？答案

【问题标题】：How to use Regular Expression to extract information from a HTML webpage?如何使用正则表达式从 HTML 网页中提取信息？
【发布时间】：2011-06-06 06:53:54
【问题描述】：

如何使用正则表达式从这样的 HTML 网页中提取答案“Here is the answer”？

  <b>Last Question:</b>
  <b>Here is the answer</b>

【问题讨论】：

“最后一个问题：这就是答案”中的 HTML 在哪里？？
你用什么编程语言来实现 RegEx？
相关：stackoverflow.com/questions/1732348/…
现在是 2011 年，这种问题仍然再次出现..*sigh*
这很容易用正则表达式来完成。

标签： python html regex

【解决方案1】：

我知道不建议使用正则表达式来解析 html，而是回答您的问题，如果您使用 php simplehtmldom 是您的朋友。 http://simplehtmldom.sourceforge.net/

【讨论】：

【解决方案2】：

谢谢大家！

这是我使用 BeautifulSoup 的解决方案，因为我使用的是 Python 框架：

  response = opener.open(url)
  the_page = response.read()

  soup = BeautifulSoup(''.join(the_page))
  paraText1 = soup.body.find('div', 'div_id', text = u'Last Question:')

  if paraText1:
    answer = paraText1.next

【讨论】：

【解决方案3】：

不要使用正则表达式来解析 HTML。如果你有标签汤，而不是格式良好的 SGML/XML/HTML5，这会加倍。

【讨论】：

【解决方案4】：

Don't use regex。使用像 Jsoup 这样的 HTML 解析器。

String html = "<b>Last Question:</b><b>Here is the answer</b>";
Document document = Jsoup.parse(html);
Element secondBold = document.select("b").get(1);
System.out.println(secondBold.text()); // Here is the answer

Jsoup 是基于 Java 的。对于其他编程语言，也有可用的 HTML 解析器。如果您使用 C#，请查看 Nsoup。如果您使用的是 PHP，请查看 phpQuery（所有这些解析器都使用 jQuery 类似 CSS3 选择器来选择元素，这简直太棒了）。

【讨论】：

【解决方案5】：

正如查尔斯所说，不要为此使用正则表达式；如果您使用的是 PHP，我建议您使用内置的 DOM 解析功能，再加上 XPath 方法证明非常可靠。

如果您比这更开放，我建议您使用 jQuery 通过 Node.js 完成这项工作，我自己最近经常这样做 - 它让生活变得轻松。

【讨论】：

【解决方案6】：

<b>Last Question:</b>\\s*(<b>.*?</b>)

或者，更详细地说，

String x  ="<b>Last Question:</b>\n<b>Here is the answer</b>";
Pattern p = Pattern.compile("<b>Last Question:</b>\\s*(<b>.*?</b>)");
Matcher m = p.matcher(x);
if (m.find())
   System.out.println(m.group(1));

当 HTML 或类似标签不存在或随机出现而没有提供足够的上下文信息时，正则表达式仍然是一种选择。在这种情况下，我们需要查看人类语音中的一些单词。

【讨论】：