从 html 网页抓取中提取字符串

Question

我正在寻找有关我正在处理的网络抓取脚本的一些指导。

一切进展顺利，但我坚持剥离图像文件数据。

我目前正在做一个 WebRequest，按类获取元素，选择outerHTML，但需要按照这个例子只去除属性data-imagezoom 的内容。

样本数据：

<a class="aaImg" href="https://imagehost.ssl.server123.com/Product-800x800/image.jpg">
    <img class="aaTmb" alt="Matrix 900 x 900 test" src="https://imagehost.ssl.server123.com/Product-190x190/image.jpg" item="image"
         data-imagezoom="https://imagehost.ssl.server123.com/Product-1600x1600/image.jpg" data-thumbnail="https://imagehost.ssl.server123.com/Product-190x190/image.jpg">
    </img>
</a>

获取该数据的当前代码：

$ProductInfo = Invoke-WebRequest -Uri $ProductURL
$ProductImageRaw = $ProductInfo.ParsedHTML.body.getElementsByClassName("aaImg") |
                   Select outerHTML

很明显，我可以通过轻松选择href 属性来获得第一张图片。

我通过将 800x800 替换为 1600x1600 来进行“脏编码”，因为文件名相同，只是路径不同，但当路径名不一致时，很快就会出现问题。

Answer 1

你需要访问外部<a>元素的<img>子元素并调用它的.getAttribute()方法来获取感兴趣的属性值：

$ProductInfo.ParsedHTML.body.getElementsByClassName("aaImg").
  childnodes[0].getAttribute('data-imagezoom')

• .childnodes[0]返回第一个子节点（元素）

• .getAttributes('data-imagezoom') 返回data-imagezoom 属性的值。^[1]

这应该返回字符串https://imagehost.ssl.server123.com/Product-1600x1600/image.jpg。

---

至于your own answer：

使用 正则表达式（或子字符串搜索）来解析 HTML 和 XML 等结构化数据是脆弱的，最好避免使用。
例如，如果源 HTML 更改为使用 '...' 而不是 "..." 围绕属性值，您的解决方案就会中断（这种特殊情况在正则表达式中不难解释，但还有更多方法可以进行此类解析出错了）。

---

跨平台视角：

遗憾的是，.ParsedHTML 属性及其 HTML DOM 仅在 Windows PowerShell 中可用（并且它的 COM 实现在 PowerShell 中使用起来很麻烦且缓慢）。

PowerShell Core，即使在 Windows 上，也不支持它，并且 没有可用的内置 HTML 解析器（从 PowerShell 开始核心 6.2.0)。

HtmlAgilityPack NuGet 包是一种流行的开源 HTML 解析器，但它是针对 C# 的，因此在 PowerShell 中安装和使用非常重要。

也就是说，TheIncorrigible1 的 this answer 有一个可以按需下载所需程序集的工作示例。

---

^{[1] 注意.getAttribute() 是访问custom 属性所必需的，而standard 属性如id 和@ 987654339@ 元素，href，直接表示为对象属性（例如，.id；注意.getAttribute() 也适用于标准属性。）}

Answer 2

所以，在一些 Regex 的快速速成课程之后，这就是我想出的。

(?<=data-imagezoom=").*?(?="\s)

积极向后看，选择所有直到结束引号和空格。

谢谢大家。