从 HTML 中提取正则表达式和字符串

Posted 2023-02-24

【中文标题】从 HTML 中提取正则表达式和字符串

【英文标题】：regex and string extraction from HTML

【发布时间】：2017-08-24 18:39:38

【问题描述】：

如何修改以下字符串操作以在下面的 html 代码中查找“要提取的文本”？我不明白"(?<=')[^']+" 我知道这是一个正则表达式模式，我查看了一个网站，但我不明白它的逻辑......也许如果有人告诉我我的问题的方式，我可以更好地理解。 .

if let match = dataString?.range(of: "(?<=')[^']+", options: .regularExpression) 
                        print(dataString?.substring(with: match) as Any)

HTML 代码：

 <span class="phrase">Text to Extract</span></span></span></p> 

【问题讨论】：

不要使用正则表达式解析 HTML：***.com/a/1732454/8332700

简单来说，就是匹配一个或多个不是'的字符的模式，前面是'。但正如@Verv 所说，不要使用正则表达式来解析 HTML。而是在这里尝试解决方案：***.com/questions/31080818/…

对不起，我忘了提到 html 已被下载并编码为 UTF8 字符串.. 可以吗？

你可以使用NSAttributedString:***.com/questions/23757655/…

【参考方案1】：

首先，https://regex101.com/ 是一个免费的在线资源，您可以在其中测试正则表达式，它会解释每个部分的作用。

正则表达式(?<=')[^']+可以分解如下

(?<=<token>) is a positive look-behind for a token. In this case, the char single-quote (')
[^<chars>] match anything not one of the following characters. In this case, the char single-quote (')
+ match the previous token 1 or more times. In this case, [^']

所以上面的正则表达式匹配两个'之间的任何东西。请注意，这没有打开和关闭的概念，因此a'b'c'd'e 将匹配b、c 和d。

要匹配文字短语，您只需在正则表达式中使用该短语（使用 \ 转义任何正则表达式特殊字符）。

如果您需要上下文感知（嵌套跟踪）提取，则任何正则表达式都将是固有错误的，您将需要一个 HTML 解析器来为您提取它。

【讨论】：

谢谢，非常有帮助的网站！我可以在编码为字符串 UTF8 的 HTML 上使用正则表达式，还是应该在别处查找？

@Dev0urCode 您可以对恰好是 HTML 的文本使用正则表达式。正则表达式没有嵌套的概念，HTML 即使格式错误也可以工作（例如缺少</span>），并且正则表达式只匹配一个连续模式。所以 Regex 可以找到模式 key-value:"rawr" 并提取 rawr，但它无法从 help <span></span>me 中提取“帮助我”。如果您关心尊重 HTML 语法，那么正则表达式的功能还不足以处理它。仅当您可以将字符串视为任何随机文本块时，正则表达式才有效。

你能帮忙吗？我在写code if let match = dataString?.range(of: "(?<=<span class="phrase">)[^<]+", options: .regularExpression)，但 xcode 将正则表达式检测为代码（使用未解析的标识符“短语”）你如何快速格式化？

@Dev0urCode 你需要在你的字符串中转义"。正则表达式是正确的，但它也必须在 swift 中格式化为正确的字符串。

抱歉，我在 3 周前开始编码； “逃跑”是什么意思？删除 ？以某种方式创建一个单独的变量？已经尝试删除，但我没有得到我想要的值