String.IndexOf() 返回意外值 - 无法在两个搜索字符串之间提取子字符串

Question

脚本来处理网络故事中的一些专有名称，以帮助我的阅读工具正确发音。

我通过

获取网页内容

$webpage = (Invoke-WebRequest -URI 'https://wanderinginn.com/2018/03/20/4-20-e/').Content

这个 $webpage 应该是字符串类型。

现在

$webpage.IndexOf('<div class="entry-content">')

返回正确的值，但

$webpage.IndexOf("Previous Chapter")

返回意外的值，我需要解释一下为什么或如何自己找到错误。

理论上它应该剪切页面的“正文”，通过我要替换的专有名词列表运行它并将其推送到 htm 文件中。 一切正常，但 IndexOf("Prev...") 的值不起作用。

编辑： 在调用 webrequest 之后我可以

Set-Clipboard $webrequest

并在记事本++中发布此内容，在那里我可以找到'div class="entry-content"'和'Previous Chapter'。 如果我做类似的事情

Set-Clipboard $webpage.substring(
     $webpage.IndexOf('<div class="entry-content">'),
     $webpage.IndexOf('PreviousChapter')
   )

我希望 Powershell 能够正确确定这些字符串的两个第一个实例并在它们之间进行切换。因此我的剪贴板现在应该有我想要的内容，但字符串比第一次出现的更远。

Answer 1

tl;dr

• 您对String.Substring() method 的工作方式有误解：第二个参数必须是要提取的子字符串的长度，而不是结束索引 em>（字符位置）- 见下文。

• 作为替代方法，您可以使用更简洁（尽管更复杂）regex 操作和
  -replace 来提取单个操作中感兴趣的子字符串 - 见下文。

• 总体而言，最好使用 HTML 解析器 来提取所需的信息，因为字符串处理脆弱（HTML 允许空格的变化, 引用风格, ...)。

---

正如Lee_Dailey 指出的那样，您对String.Substring() method 的工作原理有一个误解：它的论点是：

• 起始索引（基于0 的字符位置），
• 应该从中返回给定长度的子字符串。

相反，您尝试传递另一个 index 作为 length 参数。

要解决这个问题，您必须从较高的索引中减去较低的索引，以获得要提取的子字符串的长度：

一个简化的例子：

# Sample input from which to extract the substring 
#   '>>this up to here' 
# or, better,
#   'this up to here'.
$webpage = 'Return from >>this up to here<<'


# WRONG (your attempt): 
# *index* of 2nd substring is mistakenly used as the *length* of the
# substring to extract, which in this even *breaks*, because a length
# that exceeds the bounds of the string is specified.
$webpage.Substring(
  $webpage.IndexOf('>>'),
  $webpage.IndexOf('<<')
)

# OK, extracts '>>this up to here'
# The difference between the two indices is the correct length
# of the substring to extract.
$webpage.Substring(
  ($firstIndex = $webpage.IndexOf('>>')),
  $webpage.IndexOf('<<') - $firstIndex
)

# BETTER, extracts 'this up to here'
$startDelimiter = '>>'
$endDelimiter = '<<'
$webpage.Substring(
  ($firstIndex = $webpage.IndexOf($startDelimiter) + $startDelimiter.Length),
  $webpage.IndexOf($endDelimiter) - $firstIndex
)

一般注意事项.Substring()：

在以下情况下，此 .NET 方法会引发 exception，PowerShell 会将其显示为 statement 终止错误；也就是说，默认情况下语句本身被终止，但执行继续：

• 如果您指定的索引超出了字符串的范围（基于0 的字符位置小于0 或大于字符串长度）：

    'abc'.Substring(4) # ERROR "startIndex cannot be larger than length of string"
  

• 如果您指定一个长度，其端点将超出字符串的范围（如果索引加上长度产生的索引大于字符串的长度）。

    'abc'.Substring(1, 3) # ERROR "Index and length must refer to a location within the string"
  

---

也就是说，您可以使用单个 regex (regular expression) 通过 -replace operator 提取感兴趣的子字符串：

$webpage = 'Return from >>this up to here<<'

# Outputs 'this up to here'
$webpage -replace '^.*?>>(.*?)<<.*', '$1'

关键是让正则表达式匹配整个字符串，并通过一个捕获组（(...)）提取感兴趣的子字符串，其值（$1）然后可以用作替换字符串，有效地返回它。

^{有关-replace的更多信息，请参阅this answer。}

注意：在您的特定情况下需要进行额外的调整，因为您正在处理 multiline 字符串：

$webpage -replace '(?s).*?<div class="entry-content">(.*?)Previous Chapter.*', '$1'

• 内联选项 ((?...)) s 确保元字符 . 也匹配 换行 字符（因此 .* 匹配 跨行），它默认情况下不会。

• 请注意，如果搜索字符串恰好包含正则表达式 元字符（在上下文中具有特殊含义的字符），您可能必须对搜索字符串应用 转义 以嵌入到正则表达式中一个正则表达式）：

  • 使用嵌入的文字字符串，\-根据需要转义字符；例如，将.txt 转义为\.txt

  • 如果要嵌入的字符串来自变量，请先将[regex]::Escape() 应用于其值；例如：

        $var = '.txt'
        # [regex]::Escape() yields '\.txt', which ensures 
        # that '.txt' doesn't also match '_txt"
        'a_txt a.txt' -replace ('a' + [regex]::Escape($var)), 'a.csv'