本文介绍如何利用正则表达式从HTML片段中提取网址、日期和文本内容。通过C#、ASP Classic和JavaScript三种语言的具体代码示例，演示了匹配模式的构建、对象实例化及分组数据的提取方法，适用于网页抓取和内容过滤场景。
正则表达式提取网页数据示例
在网页抓取和内容过滤等应用场景中，正则表达式（regular expression）展现出显著的处理优势。
假设存在如下HTML字符串片段：
代码如下:
<li><a href="http://www.abcxyz.com/something/article/143.htm" title="FCKEditor高亮代码插件测试"><span class="article-date">[09/11]</span>FCKEditor高亮代码插件测试</a></li>当前的需求是从该字符串中分别提取出href属性后的网址、方括号内的日期以及链接对应的文本内容。
下文将分别展示C#、ASP Classic以及JavaScript三种语言的具体实现方案。
C#的实现
C#实现方案
代码如下:
string strHTML = "<li><a \"href=http://www.abcxyz.com/something/article/143.htm\" title=\"FCKEditor高亮代码插件测试\"><span class=\"article-date\">[09/11]</span>FCKEditor高亮代码插件测试</a></li>";
string pattern = "http://([^\\s]+)\".+?span.+?\\[(.+?)\\].+?>(.+?)<";
Regex reg = new Regex( pattern, RegexOptions.IgnoreCase );
MatchCollection mc = reg.Matches( strHTML );
if (mc.Count > 0)
{
foreach (Match m in mc)
{
Console.WriteLine( m.Groups[1].Value );
Console.WriteLine( m.Groups[2].Value );
Console.WriteLine( m.Groups[3].Value );
}
} ASP的实现
ASP Classic实现方案
代码如下:
<%
Dim str, reg, objMatches
str = "<li><a href=""http://localhost/Z-Blog18/article/143.htm"" title=""FCKEditor高亮代码插件测试""><span class=""article-date"">[09/11]</span>FCKEditor高亮代码插件测试</a></li>"
Set reg = new RegExp
reg.IgnoreCase = True
reg.Global = True
reg.Pattern = "http://([^\s]+)"".+?span.+?\[(.+?)\].+?>(.+?)<"
Set objMatches = reg.Execute(str)
If objMatches.Count > 0 Then
Response.Write("网址：")
Response.Write(objMatches(0).SubMatches(0))
Response.Write("<br>")
Response.Write("日期：")
Response.Write(objMatches(0).SubMatches(1))
Response.Write("<br>")
Response.Write("标题：")
Response.Write(objMatches(0).SubMatches(2))
End If
%> Javascript的实现
JavaScript实现方案
代码如下:
<script type="text/javascript">
var str = '<li><a href="http://localhost/Z-Blog18/article/143.htm" title="FCKEditor高亮代码插件测试"><span class="article-date">[09/11]</span>FCKEditor高亮代码插件测试</a></li>';
var pattern = /http:\/\/([^\s]+)".+?span.+?\[(.+?)\].+?>(.+?)</gi;
var mts = pattern.exec(str);
if (mts != null)
{
alert(mts[1]);
alert(mts[2]);
alert(mts[3]);
alert(mts[4]);
}
</script>