使用正则表达式从 HTML 字符串中提取所需的属性值答案

【问题标题】：Extract desired attribute value from HTML string using regex使用正则表达式从 HTML 字符串中提取所需的属性值
【发布时间】：2019-04-17 15:33:08
【问题描述】：

我从 Discourse API 检索到带有一些元素（p, span, div 等）的 HTML 字符串，其中一些具有 data-time, data-timezone, data-email-preview 等属性。我想要属性 data-email-preview 上的值，这些值是时间戳格式enter code here。这些值总是在 HTML 字符串中的前两个 span 元素之间。 HTML 字符串示例：

<p><span data-date="2019-05-10" data-time="19:00:00" class="discourse-local-date" data-timezones="Europe/Brussels" data-timezone="Europe/Berlin" data-email-preview="2019-05-10T17:00:00Z UTC">2019-05-10T17:00:00Z</span> → <span data-date="2019-05-10" data-time="22:00:00" class="discourse-local-date" data-timezones="Europe/Brussels" data-timezone="Europe/Berlin" data-email-preview="2019-05-10T20:00:00Z UTC">2019-05-10T20:00:00Z</span><br>
<div class="lightbox-wrapper"><div class="meta">
<span class="filename">HackSpace_by_Sugar_Ray_Banister.jpg</span><span class="informations">1596×771 993 KB</span><span class="expand"></span>
</div></a></div></p>

我需要提取span 元素之间的这两个日期：

2019-05-10T17:00:00Z 和 2019-05-10T20:00:00Z

【问题讨论】：

能否分享一下你目前尝试过的代码
不要使用正则表达式，使用像 jsoup 这样的库。stackoverflow.com/a/1732454/4785110

标签： html regex extract word

【解决方案1】：

(?<=>)(\d{4}\-\d{2}\-\d{2}T\d{2}\:\d{2}\:\d{2}Z)(?=<\/span>)

会返回您需要的元素

【讨论】：

【解决方案2】：

也许这会满足您的需求？

https://regex101.com/r/Jo4srA/1

（稍作编辑以满足您的需求）

【讨论】：

与此相关的几个问题是它还返回来自data-email-preview 的日期，并且不包括Z
添加 Z 字符只需几秒钟。您能否详细说明应该忽略什么以及要捕获什么？

【解决方案3】：

在 VBA 中类似的东西

Sub Extract2()

    Dim hDoc As MSHTML.HTMLDocument
    Dim hElem As MSHTML.HTMLGenericElement
    Dim sFile As String, lFile As Long
    Dim pat1 As String
    Dim sHtml As String
        strHtml = "c:\1.html"
               'read in the file
                lFile = FreeFile
                sFile = strDir & strHtml
                Open sFile For Input As lFile
                sHtml = Input$(LOF(lFile), lFile)

                'put into an htmldocument object
                Set hDoc = New MSHTML.HTMLDocument
                hDoc.body.innerHTML = sHtml

                Set dateBody = hDoc.getElementsByClassName("discourse-local-date")
                Date1 = dateBody(0).innerText
                Date2 = dateBody(1).innerText
                    MsgBox Date1 & " " & Date2
                'regex
                pat1 = ".*span.*>(.+?)<"
                Date1 = simpleRegex(sHtml, pat1, 0)
                Date2 = simpleRegex(sHtml, pat1, 1)
                    MsgBox Date1 & " " & Date2

End Sub

正则表达式函数

Function simpleRegex(strInput As String, strPattern As String, sNr As Long)
    Dim regEx As New RegExp
    If strPattern <> "" Then
        With regEx
            .Global = True
            .MultiLine = True
            .IgnoreCase = True
            .Pattern = strPattern
        End With
        dfs = regEx.Test(strInput)
        If regEx.Test(strInput) Then
            Set sReg = regEx.Execute(strInput)
            simpleRegex = sReg(sNr).SubMatches(0)
        Else
            simpleRegex = "false"
        End If
    End If
End Function

【讨论】：

【解决方案4】：

您可以通过使用 github 上的 HTML DOM 库来实现这一点，但我使用 sourceforge 在此链接上下载 https://simplehtmldom.sourceforge.io

如下使用

// Create DOM from URL or file
$html = file_get_html('http://www.google.com/');

// Find all images 
foreach($html->find('img') as $element) 
echo $element->src . '<br>';

// Find all links 
foreach($html->find('a') as $element) 
echo $element->href . '<br>';

你应该使用 span 作为

// find('span.data-email-preview')  if not work use  find('date-email-preview')

如果你想使用 preg_replace 它很容易，但会令人困惑，因为有很多值，所以输出会有很多日期，然后你必须制作这个输出的数组，然后进行循环以在单行中查看每个日期，这样你可以导入数据库

【讨论】：