正则表达式提取内容

hztgcl1986 2007-10-24 05:12:11
用Microsoft.XMLHTTP获得某网页内容并转换成字符数据后,想要用正则网页中提取所有<a>标记及其内容
Pattern = "(^<a.+href=['""]?.{4,}>.+<\/a>$)"
虽说能够获取,但是内容如下:

<a href="/Default.html">8848so</a> <a href="d.html">ddd</a>
<a href='http://www.google.cn/search?complete=1&hl=zh-CN&ie=GB2312&q=ASP+href%D5%FD%D4%F2&meta='>复杂</a>
<a href=http://www.thws.cn/article.asp?id=911 dir="ltr" class="无 CSS 样式">无单双引号</a>

第一行,把两个<a>给当成一个提取了
此Pattern只能正确提取一行中有一个<a>标记的数据,如果一行内有多个,则错误的当成了一个提取

请各位高手指点
...全文
994 11 打赏 收藏 转发到动态 举报
写回复
用AI写文章
11 条回复
切换为时间正序
请发表友善的回复…
发表回复
hztgcl1986 2007-10-25
  • 打赏
  • 举报
 回复
" <a[^ >]* >[^ >]+ </a >"
还是一个都没取到.请高手再想想办法

"<a.+href=['""]?.{4,}>.+<\/a>",我的这个是能取到的,但是如果一行内有多个<a></a>,它会当成一个来处理,我操作的是整个网页的源码,各种情况都有,有就是一行中好几个<a></a>,下面是用我的表达式的结果:

<a href="/Default.html" >8848so </a > <a href="d.html" >ddd </a >
<a href=http://www.thws.cn/article.asp?id=911 dir="ltr" class="无 CSS 样式" >无单双引号 </a >

明显的,第一行中是两个<a></a>,但是却取成了一个.
我觉得,关键在<a></a>中间的表达式如何写,我写成了:".+",这应该是造成取多个的关键.
什么都不能 2007-10-25
  • 打赏
  • 举报
 回复
"<a[^>]*>[^>]+</a>"
本来是想写取href的值<a></a>间的文本和整个<a...>...</a>
看来是出了问题，你可以用上面那个取整个超链接的代码。
hztgcl1986 2007-10-25
  • 打赏
  • 举报
 回复
hanpoyangtitan,感谢你的回复
可是换了你的表达式后,一个<a>都取不到了,Matches.Count = 0
hztgcl1986 2007-10-25
  • 打赏
  • 举报
 回复
To: hanpoyangtitan


问题己解决,分都给你了

" <a[^ >]* >[^ >]+ </a >" ,这是我复制的你的帖子,之前不成功,是因为复制粘贴之后,表达式中有空格

感谢!
whgfu 2007-10-25
  • 打赏
  • 举报
 回复
/(http:\/\/\[^" ']+)/gm
/href *= *['"]*(\S+)["']* */gm
这两个可以取去href地址
whgfu 2007-10-25
  • 打赏
  • 举报
 回复
没事，慢慢来，我相信你可以哈。。。
hztgcl1986 2007-10-25
  • 打赏
  • 举报
 回复
确实取不到,你不会是没有测试吧.
要用我的全部代码,取得一网页内容,然后测试,要是自己写上几个字符串测试,可能不是正确效果.
什么都不能 2007-10-25
  • 打赏
  • 举报
 回复
在我这里能取到到你那里就取不到？看来是人品问题。
什么都不能 2007-10-24
  • 打赏
  • 举报
 回复
"<a[^>]*href=[""|']?([^>]+)[""|']?[^>]*>([^<]+)</a>"
hztgcl1986 2007-10-24
  • 打赏
  • 举报
 回复
<!--提取对象页-->
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta http-equiv="Content-Type" content="text/html; charset=gb2312" />
<title>8848so</title>
</head>

<body>
<a href="/Default.html">8848so</a> <a href="d.html">ddd</a>
<a href='http://www.google.cn/search?complete=1&hl=zh-CN&ie=GB2312&q=ASP+href%D5%FD%D4%F2&meta='>复杂</a>
<a href=http://www.thws.cn/article.asp?id=911 dir="ltr" class="无 CSS 样式">无单双引号</a>
</body>
</html>
hztgcl1986 2007-10-24
  • 打赏
  • 举报
 回复
'全部代码
<%@LANGUAGE="VBSCRIPT" CODEPAGE="936"%>
<%
Dim url,data,startCode,endCode
url = "http://www.hr-sd.com/person/skin/index1.asp?jobid=25794"
url = "http://www.8848so.com"
startCode = "<body>"
endCode = "</body>"
On Error Resume Next
data = getURLFile(url)
data = BytesToStr(data,"GB2312")
data = getContent(data,startCode,endCode,1)
AddressReplace(data)

Function getURLFile(url) '获取URL二进制数据
Dim xmlHTTP
Set xmlHTTP = Server.CreateObject("Microsoft.XMLHTTP")

xmlHTTP.Open "Get",url,False
xmlHTTP.Send()
getURLFile = xmlHTTP.ResponseBody

If Not(xmlHTTP.ReadyState = 4 And xmlHTTP.Status = 200) Then
Response.Write("<font color='#FF0000'>"&url&"</font>文件获取失败.")
Response.End()
End If

Set xmlHTTP = Nothing
End Function

Function BytesToStr(bytesData,encoding) '二进制To字符串
Dim stream
Set stream = Server.CreateObject("ADODB.Stream")

stream.Type = 1 '二进制
stream.Open()
stream.Write(bytesData)

stream.Position = 0
stream.Type = 2 '字符串
stream.CharSet = encoding
'stream.Position = 2
'过滤掉开始的一个控制字符,这个控制字符是WriteText方法按默认属性Charset="Unicode"读入数据的时候自动加到数据开头的,
'字符的值是FF3F,这个控制字符占2字节,所以Position设置为2,表示略过2个字节,下面的ReadText方法从Position开始读数据
BytesToStr = stream.ReadText()

Set stream = Nothing
End Function

Function getContent(htmlData,startCode,endCode,incCode) '主要内容截取
Dim startPos,endPos,length,tempContent
startPos = Instr(1,htmlData,startCode)
endPos = Instr(startPos,htmlData,endCode)

length = (endPos - startPos) + Len(endCode)
tempContent = Mid(htmlData,startPos,length)
Select Case incCode:
Case 0: '不包括startCode,不包括endCode
tempContent = Right(tempContent,Len(tempContent) - Len(startCode) - 2)
getContent = Left(tempContent,Len(tempContent) - Len(endCode) - 2)
Case 1: '包括startCode,包括endCode
getContent = tempContent
Case 2: '不包括startCode,包括endCode
getContent = Right(tempContent,Len(tempContent) - Len(startCode) - 2)
Case 3: '包括startCode,包括endCode
getContent = Left(tempContent,Len(tempContent) - Len(endCode) - 2)
Case Else:
getContent = tempContent
End Select

End Function

Function AddressReplace(htmlData)
Dim re,matches
Set re = New RegExp
re.IgnoreCase = True
re.Multiline = True
re.Global = True
re.Pattern = "(^<a.+href=['""]?.{4,}>.+<\/a>$)"
Set matches = re.Execute(htmlData)
Response.Write(matches.Count)&"<br />"
For Each m In matches
Response.Write(Server.HTMlEncode(m.Value)&"<br />")
Next

End Function
%>
正则表达式,提取网页中的链接地址
<td u00a0class=cate width u201d45%” style=”word-break:break-all”> <a>江门市蓬江区凤彩工艺厂</a> <br> 代码如上.我请问如何用正则表达式,把”http://j
js通过正则表达式获取＜a＞标签数组
【代码】js通过正则表达式获取标签数组。
正则表达式全解析+常用示例
在开始写这篇文章之前，我的心里还是纠结的。我在问自己要不要写这篇东西，关于相似的内容网上多如牛毛，而且...关于正则表达式一直都是个让很多程序员都觉得很郁闷的一个东西，我觉得创造正则表达式的那个家伙简直就是
[python] 常用正则表达式爬取网页信息及分析HTML标签总结
这篇文章主要是介绍Python爬取网页信息时，经常使用的正则表达式及方法。它是一篇总结性文章，实用性比较大，主要解决自己遇到的爬虫问题，也希望对你有所帮助~ 当然如果会Selenium基于自动化测试爬虫、...
java正则获取内容_Java利用正则表达式提取数据的方法
什么是正则表达式正则表达式是一种可以用于模式匹配和替换的规范，一个正则表达式就是由...Java利用正则表达式提取数据Java正则表达式的用途很广，之前要用到将一大 3M 的 txt 文本切分成多个小文本，用 C# 写的话...
ASP

28,391

社区成员

357,060

社区内容

发帖
与我相关
我的任务
社区描述
ASP即Active Server Pages，是Microsoft公司开发的服务器端脚本环境。
社区管理员
  • ASP
  • 无·法
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章