正则,正则,正则,以组的形式获取有层次区别的数据

[cyhcyhhychyc]

要匹配的页面:http://www.ttkdex.com/pages/wdfb/6.html
//可用下面这个方式获取网页源文件
private string GetHtmlCode(string url, Encoding encoding)
{
System.Net.HttpWebRequest request = (System.Net.HttpWebRequest)System.Net.WebRequest.Create(url);
request.UserAgent = "Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; .NET CLR 2.0.50727; .NET CLR 3.0.04506.648; .NET CLR 3.5.21022)";
System.Net.WebResponse response = request.GetResponse();
System.IO.Stream resStream = response.GetResponseStream();
System.IO.StreamReader sr = new System.IO.StreamReader(resStream, encoding);
string html = (sr.ReadToEnd());
resStream.Close();
sr.Close();
return html;
}

我要获得"地区"信息和"分部"信息,要注意到"分部"是属于某个"地区"的.虽然很容易以组的形式取得各"分部"的信息,但是如何取得各"分部"对应的"地区"信息?换句话说,匹配完整个页面后,在程序处理groups时要能有足够的信息判断某个"分部"是属于哪个"地区"的.
有两个思路:
1,可以从上到下把"地区"和"分部"数据依次取到组里,而不用管对应关系,这样在程序里也可以知道相互对应关系;
2,可以按"地区"及其所属"分部"作为一整体来匹配.但是一个"地区"下的"分部"是不只一个的,也不好处理;

[cyhcyhhychyc]

不能匹配...
[Quote=引用 5 楼 lxcnn 的回复:]

try...

C# code
string html = GetHtmlCode("http://www.ttkdex.com/pages/wdfb/2.html", Encoding.GetEncoding("gb2312"));
Regex reg = new Regex(@"(?i)(?<area>[^<>]*)</td>\s*</tr>(?:\s*<tr>(?:\s*<td[^>……
[/Quote]

[-过客-]

晕，什么东东，超过最大字符数给自动截断了？

            string html = GetHtmlCode("http://www.ttkdex.com/pages/wdfb/2.html", Encoding.GetEncoding("gb2312"));
            Regex reg = new Regex(@"(?i)(?<area>[^<>]*)</td>\s*</tr>(?:\s*<tr>(?:\s*<td[^>]*>\s*<a[^>]*>\s*<strong>(?<number>\d+)</strong></a>\s*</td>\s*<td[^>]*>\s*<a[^>]*>\s*<strong>(?<name>[^<>]*)</strong></a></div>\s*</td>)+\s*(?:<td[^>]*>\s* \s*</td>\s*<td[^>]*>\s* \s*</td>\s*)?</tr>)+");
            MatchCollection mc = reg.Matches(html);
            foreach (Match m in mc)
            {
                richTextBox2.Text += "所在地区：" + m.Groups["area"].Value + "\n--------------------\n";
                foreach (Capture c in m.Groups["name"].Captures)
                {
                    richTextBox2.Text += "公司分部名称：" + c.Value + "\n";
                }
                richTextBox2.Text += "======================\n\n";
            }

[hch126163]

你要把你采集的html 原代码贴出来！！！
做采集都是针对不同的网站配置不同的规则！

个人认为，你正则匹配 一个地区" 及其 所有分部 这样教好！


Regex r = new Regex(“正则规则”);
MatchCollection mc = r.Matches(strHTML);// 页面的html
if(mc!= null && mc.Count > 0 ){
List<地区> list = new List<地区>(); // 地区集合
foreach(Match m in mc) // 遍历没一个匹配，即 一个地区" 及其 所有分部
{
GroupCollection gc = m.Groups;
if(gc!= null && gc.Count > 1 )
{
地区 p = new 地区();
p.地区名 = gc[1].Value； // 第一组是匹配的字符串，第2组是正则中的第一个（）匹配结果
for (int i = 2; i < gc.Count;i++ ) // 遍历每个匹配组,获取分布
{
p.list分部.Add(gc[i].Value);
}

}
}
return list;
}
return null;
}

[cyhcyhhychyc]

我想你没有领会我的意思,我关注的是正则表达式的书写,不是后面的程序处理.
你说要按 一个地区" 及其 所有分部 来匹配,但问题是一个地区下的分部数目是不确定的,如何编写正则来匹配?
[Quote=引用 1 楼 hch126163 的回复:]

你要把你采集的html 原代码贴出来！！！
做采集都是针对不同的网站配置不同的规则！

个人认为，你正则匹配 一个地区" 及其 所有分部 这样教好！


Regex r = new Regex(“正则规则”);
MatchCollection mc = r.Matches(strHTML);// 页面的html
if(mc!= null……
[/Quote]

[hch126163]

我很明白你的意思！

你要把你采集的html 原代码贴出来！！！
做采集都是针对不同的网站配置不同的规则！

是你没仔细看我的回复！！！！

正则，肯定要有参照撒！ 你这样没人帮得了你！！！！！！！

你以为有那个妞人可以写一个正则，能满足所有人的要求啊？

要是那样，我们都不用学正则了！

[hch126163]

楼主，抱歉，才看到你的采集地址！建议你下次把连接加上，或者，把颜色设置不一样！那样才明显！免得我这样的粗心人找不到！

[-过客-]

try...

string html = GetHtmlCode("http://www.ttkdex.com/pages/wdfb/2.html", Encoding.GetEncoding("gb2312"));
Regex reg = new Regex(@"(?i)(?<area>[^<>]*)</td>\s*</tr>(?:\s*<tr>(?:\s*<td[^>]*>\s*<a[^>]*>\s*<strong>(?<number>\d+)</strong></a>\s*</td>\s*<td[^>]*>\s*<a[^>]*>\s*<strong>(?<name>[^<>]*)</strong></a></div>\s*</td>)+\s*(?:<td[^>]*>\s* \s*</td>\s*<td[^>]*>\s* \s*</td>\s*)?</tr>)+");
MatchCollection mc = reg.Matches(html);
foreach (Match m in mc)
{
    richTextBox2.Text += "所ù在ú地?区?：阰" + m.Groups["area"].Value + "\n--------------------\n";
    foreach (Capture c in m.Groups["name"].Captures)
    {
        richTextBox2.Text += "公?司?分?部?名?称?：阰" + c.Value + "\n";
    }
    richTextBox2.Text += "======================\n\n";
}