При разборе HTML-страницы с использованием C# возникают проблемы
Я пытался что-то сделать, используя HtmlAgilityPack, Fizzler и Regular Expressions, но безуспешно.
Страница, которую я пытаюсь разобрать и разобрать, находится здесь http://www.sczg.unizg.hr/student-servis/vijest/2015-04-14-poslovi-u-administraciji/
Example of an item in item list:
<p>
<b>1628/ SomeBoldedTitle
</b>
Some Description.
Some price 20,00kuna.
<strong>Contact somenumber
098/1234-567 some mail
</strong>
</p>Я хотел бы проанализировать этот элемент:
- ИД 4/5>1628/ в элементе b
- Title >SomeBoldedTitle в элементе b>
- Описание> после / б
- Контактный номер и ссылка> иногда в сильной> элемент иногда в б
Вот некоторый код, который я пытался получить хотя бы какой-то вывод, я ожидал, что все p элементы с b Но ничего не вышло.
using System;
using HtmlAgilityPack;
using Fizzler.Systems.HtmlAgilityPack;
namespace Sample
{
class Program
{
static void Main(string[] args)
{
var web = new HtmlWeb();
var document = web.Load("http://www.sczg.unizg.hr/student-servis/vijest/2015-04-14-poslovi-u-administraciji/");
var page = document.DocumentNode;
foreach (var item in page.QuerySelectorAll("p.item"))
{
Console.WriteLine(item.QuerySelector("p:has(b)").InnerHtml);
}
}
}
}
Вот ссылка на документацию fizzler, которую я использовал для получения этого кода https://fizzlerex.codeplex.com/
1 ответ
Вперед
Я рекомендую использовать модуль синтаксического анализа HTML, потому что HTML может привести к некоторым сумасшедшим крайним случаям, которые действительно искажают ваши данные. Но если вы контролируете свой исходный текст и по-прежнему хотите / должны использовать регулярные выражения, я предлагаю это возможное решение.
Описание
Учитывая следующий текст
Example of an item in item list:
<p>
<b>1628/ SomeBoldedTitle
</b>
Some Description.
Some price 20,00kuna.
<strong>Contact somenumber
098/1234-567 some mail
</strong>
</p>
Это регулярное выражение
<p>(?:(?!<p>).)*<b>([0-9]+)/\s*((?:(?!</b>).)*?)\s*</b>\s*((?:(?!<strong>|<b>).)*?)\s*<(?:strong|b)>\s*((?:(?!</).)*?)\s*</
Будет разбирать ваш текст на следующие группы захвата:
- Группа 0 будет большая часть строки
- Группа 1 будет многозначным кодом
- Группа 2 будет названием
- Группа 3 будет описание
- Группа 4 будет номер телефона
Группы захвата
[0][0] = <p>
<b>1628/ SomeBoldedTitle
</b>
Some Description.
Some price 20,00kuna.
<strong>Contact somenumber
098/1234-567 some mail
</
[0][1] = 1628
[0][2] = SomeBoldedTitle
[0][3] = Some Description.
Some price 20,00kuna.
[0][4] = Contact somenumber
098/1234-567 some mail
Разъяснения
Примечание: щелкните правой кнопкой мыши изображение и выберите вид в новом окне.
NODE EXPLANATION
----------------------------------------------------------------------
<p> '<p>'
----------------------------------------------------------------------
(?: group, but do not capture (0 or more times
(matching the most amount possible)):
----------------------------------------------------------------------
(?! look ahead to see if there is not:
----------------------------------------------------------------------
<p> '<p>'
----------------------------------------------------------------------
) end of look-ahead
----------------------------------------------------------------------
. any character
----------------------------------------------------------------------
)* end of grouping
----------------------------------------------------------------------
<b> '<b>'
----------------------------------------------------------------------
( group and capture to \1:
----------------------------------------------------------------------
[0-9]+ any character of: '0' to '9' (1 or more
times (matching the most amount
possible))
----------------------------------------------------------------------
) end of \1
----------------------------------------------------------------------
/ '/'
----------------------------------------------------------------------
\s* whitespace (\n, \r, \t, \f, and " ") (0 or
more times (matching the most amount
possible))
----------------------------------------------------------------------
( group and capture to \2:
----------------------------------------------------------------------
(?: group, but do not capture (0 or more
times (matching the least amount
possible)):
----------------------------------------------------------------------
(?! look ahead to see if there is not:
----------------------------------------------------------------------
</b> '</b>'
----------------------------------------------------------------------
) end of look-ahead
----------------------------------------------------------------------
. any character
----------------------------------------------------------------------
)*? end of grouping
----------------------------------------------------------------------
) end of \2
----------------------------------------------------------------------
\s* whitespace (\n, \r, \t, \f, and " ") (0 or
more times (matching the most amount
possible))
----------------------------------------------------------------------
</b> '</b>'
----------------------------------------------------------------------
\s* whitespace (\n, \r, \t, \f, and " ") (0 or
more times (matching the most amount
possible))
----------------------------------------------------------------------
( group and capture to \3:
----------------------------------------------------------------------
(?: group, but do not capture (0 or more
times (matching the least amount
possible)):
----------------------------------------------------------------------
(?! look ahead to see if there is not:
----------------------------------------------------------------------
<strong> '<strong>'
----------------------------------------------------------------------
| OR
----------------------------------------------------------------------
<b> '<b>'
----------------------------------------------------------------------
) end of look-ahead
----------------------------------------------------------------------
. any character
----------------------------------------------------------------------
)*? end of grouping
----------------------------------------------------------------------
) end of \3
----------------------------------------------------------------------
\s* whitespace (\n, \r, \t, \f, and " ") (0 or
more times (matching the most amount
possible))
----------------------------------------------------------------------
< '<'
----------------------------------------------------------------------
(?: group, but do not capture:
----------------------------------------------------------------------
strong 'strong'
----------------------------------------------------------------------
| OR
----------------------------------------------------------------------
b 'b'
----------------------------------------------------------------------
) end of grouping
----------------------------------------------------------------------
> '>'
----------------------------------------------------------------------
\s* whitespace (\n, \r, \t, \f, and " ") (0 or
more times (matching the most amount
possible))
----------------------------------------------------------------------
( group and capture to \4:
----------------------------------------------------------------------
(?: group, but do not capture (0 or more
times (matching the least amount
possible)):
----------------------------------------------------------------------
(?! look ahead to see if there is not:
----------------------------------------------------------------------
</ '</'
----------------------------------------------------------------------
) end of look-ahead
----------------------------------------------------------------------
. any character
----------------------------------------------------------------------
)*? end of grouping
----------------------------------------------------------------------
) end of \4
----------------------------------------------------------------------
\s* whitespace (\n, \r, \t, \f, and " ") (0 or
more times (matching the most amount
possible))
----------------------------------------------------------------------
</ '</'