正則表達式在網頁中查找值

Question

我需要找到一個正則表達式，它從html文檔中的表格單元格中提取一個值。

此表單元格的示例內容爲「結果：40分鐘」。

我需要一個正則表達式來匹配實際的數字（40）。

這是在java中，在此先感謝。

Answer 1

我試圖用正則表達式來做到這一點，它是一個痛苦的洞。

使用類似於XPath表達式的東西要容易得多，您可以通過它在DOM層次結構中的位置來指定位置。 Apache庫可以做到這一點（特別是Xalan），你可以在這裏找到：http://xml.apache.org/xalan-j/

你可以使用Firefox插件XPath Checker來幫你解決這個問題。

順便說一下，如果您正在尋找其他工具/信息，您所談論的區域就稱爲「網頁抓取」。

Answer 2

您想使用DOM/XPATH，但如果你真的需要的正則表達式簡單的情況下，再次嘗試

/\<\s*td[^\>]*\>\s*result: (\d+) mins\s*\<\/td\>/i 

，將可能對大多數HTML工作，但正則表達式不會爲所有的HTML工作。

Answer 3

如果不是一次性情況，請使用XPath檢索某個HTML元素的內容（「結果：40分鐘」），然後使用一個簡單的正則表達式來獲取所需內容："result: (\d+) mins"（以適應OverClocked寫入的內容）。如果HTML（很可能）不正確，則可以使用類似JTidy的東西來清理它。

在最簡單的情況下，你可以簡單地尋找在整個頁面的表達：".*result: (\d+) mins.*"

順便說一句，你指着網頁不包含任何類型的「結果」：如果你換貨「路由」 ，你應該可以這樣做：

String pageContent = ... 
Pattern p = java.util.regex.Pattern.compile("Route: ((\\d*) hour)*(\\d*) mins"); 
Matcher m = p.matcher(pageContent); 
m.find(); 
System.out.println(m.group{1}); 
System.out.println(m.group{2});