在网页范围内提取文本

Posted 2023-04-13

【中文标题】在网页范围内提取文本

【英文标题】：Extract text inside within span of webpage

【发布时间】：2019-06-25 01:07:06

【问题描述】：

我正在尝试从网站中提取交货状态，以便我可以在 asp gridview 中实时显示此状态。

我正在尝试通过正则表达式执行此操作，但是在尝试设置字符串值时我遇到了问题。

这是 html 的原始格式：

<span class=" palette-confirm "> Delivered </span>

(<span class=")\s+(palette-confirm)(\n|\r)(">)(\n|\r)\s+

我在 regex101 中提出了上述内容，但是当我尝试在 Visual Studio 的字符串中使用它时，语法不正确。

string pattern = "(<span class=\")\s+(palette-confirm)(\n |\r)(\">)(\n|\r)\s+\";

我不确定如何取出最后一个标签，所以我只提取“已交付”文本。

【问题讨论】：

html 的原始格式为：已交付

【参考方案1】：

在 C# 中，反斜杠被视为转义字符。为了保留正则表达式的反斜杠，您需要编写双反斜杠"()(\\n|\\r)\\s+\\" 或通过在字符串前面放置@ 符号来告诉C# 不要将反斜杠视为转义字符：@"()(\n|\r)\s+\"。

【讨论】：

好的，非常感谢您解决这个问题。如果字符串中也有引号怎么办？是同一个转义字符吗？

在这种情况下，您将使用反斜杠作为转义字符（因此前面没有 @），例如"\"test\"".

【参考方案2】：

有多少种状态？只需通过 or 的 |.....

匹配实际状态文本

 \>\s*(Delivered | In\sProcess)\s*\<

这是一个例子：

var pattern = @"\>\s*(Delivered | In\sProcess)\s*\<";

var str = @"<span class="" palette-confirm ""> In Process</span?";

var result = Regex.Match(str, pattern );

Console.WriteLine(result.Groups[1].Value);

输出

In Process