正则表达式反对 XPath 之后的标记？

Posted 2023-04-13

【中文标题】正则表达式反对 XPath 之后的标记？

【英文标题】：Regex against markup after XPath?

【发布时间】：2018-08-25 12:43:28

【问题描述】：

一直在寻找我的问题的解决方案现在已经有一段时间了，并且已经在 regex101.com 上玩了一段时间但找不到解决方案。

我面临的问题是我必须为不同的输入选择一个字符串，因此我想使用正则表达式来从这些字符串中获取所需的数据。 正则表达式将分别来自每个字符串的配置。 （因为它们不同）

下面的字符串是通过 XPath 获得的：//body/div/table/tbody/tr/td/p[5]，但我无法再深入挖掘以检索正确的数据，或者我可以吗？

我现在用作示例的字符串如下：

<strong>Kontaktdaten des Absenders:</strong> 
<br> 
<strong>Name:</strong> Wanted data 
<br> 
<strong>Telefon:</strong> 
<a dir='ltr' href='tel:XXXXXXXXX' x-apple-data-detectors='true' x-apple-data-detectors-type='telephone' x-apple-data-detectors-result='3'>XXXXXXXXX</a> 
<br>

我试图从这个字符串中获取“想要的数据”

到目前为止，我的正则表达式如下：

(?<=<\/strong> )(.*)(?= <br>)

但这会返回整体：

<br> <strong>Name:</strong> Wanted data <br> <strong>Telefon:</strong> <a dir='ltr' href='tel:XXXXXXXXX' x-apple-data-detectors='true' x-apple-data-detectors-type='telephone' x-apple-data-detectors-result='3'>XXXXXXXXX</a>

我想我可以通过重复组来解决这个问题

((:?(?<=<\/strong> )(.*)(?= <br>))+)

但这会返回与没有重复组相同的输出。

我知道我可以围绕这个正则表达式构建一个 for 循环以获得相同的输出，但由于这是我必须为它执行此操作的唯一正则表达式（但这意味着我必须为所有其他数据更改它）我想知道是否可以在正则表达式中执行此操作。

感谢您迄今为止的支持。

【问题讨论】：

强制 - 像 html Agility Pack 这样的 HTML 解析器是解析 HTML 的最佳方式 - 注释。

我已经在使用 HTML Agility Pack，正如我所说，这是我可以深入挖掘我的 Html 的最深层次，因此无法以这种方式获取“想要的数据”已经编辑了 HTML 代码，以便您可以看出我的意思了（enter不应该在这里，只是一个字符串，而是为了让它更具可读性）

@AlexK。是对的。 Never parse markup with regex. 您甚至可以使用 XPath。 You can finish the job with XPath alone.

我们无法告诉您如何在不知道要查找什么模式的情况下找到字符串“Wanted data”。大概它不会总是说“想要的数据”，它可能会说别的东西（或者你不会搜索它）。所以问题是，你的内容的哪些部分是固定的，哪些是可变的？

【参考方案1】：

Regex is the wrong tool for parsing markup. 你手头有一个合适的 XML 解析工具 XPath。用它完成工作：

这个 XPath，

strong[.='Name:']/following-sibling::text()[1]

当附加到原始 XPath 时，

//body/div/table/tbody/tr/td/p[5]/strong[.='Name:']/following-sibling::text()[1]

将按照要求完成选择紧跟在<strong>Name:</strong> 标签后面的文本节点的工作，不需要对标记进行正则表达式修改。

【讨论】：

谢谢，这确实是解决我问题的更清洁的方法。不知道也可以使用 XPath 搜索文本。看看我是否可以在更多数据上使用它，因为目前我已经用正则表达式解决了所有问题:)

自从你的评论和链接到伟大的帖子Never parse markup with regex以来，我一直在更改许多不需要的正则表达式。但是对于以下内容，我想知道是否还有一种方法可以使用 XPath 来解决它：Data Name: Herr FirstName LastName XPath 到目前为止：//body//div/div/table/tr/td/div/table/tr[3]/td/div/table/tr/td/p[1]/span 在这里我使用以下正则表达式：(?<=Herr |Frau ).*

@svenQ：很乐意帮助您找到解决其他问题的 XPath 解决方案，但请将其作为一个新问题发布——尝试在 cmets 中做太多事情会变得太麻烦。谢谢。

对不起，这是我关于 SO 的第一个问题，所以我认为它是这样做的 :) 我在这里发布了我的问题作为答案，因为我还不能打开一个新问题。

@svenQ: Np，但你会想发布一个新的问题，而不是an new answer。谢谢。

【参考方案2】：

您可以尝试匹配除标记标记之外的所有内容：

(?<=<\/strong> )([^<>]*)(?= <br>)

Demo

【讨论】：

谢谢！这确实解决了我的问题并给了我想要的数据。

考虑通过单击箭头和数字附近的绿色勾号来接受答案。

很抱歉，当我回复您的问题时，@kjhughes 没有看到他的解决方案，但他的解决方案更干净地解决了我的问题。我只是在寻找错误的方向。但我仍然感谢您的正确答案。