高分求修改正则表达式

idtest5 2012-02-17 05:36:26

想提取百度和谷歌搜索结果，包括标题、URL、和简介。现在代码只能提取谷歌的内容，并且内容获取的不完整。

百度例子：

<table cellpadding="0" cellspacing="0" class="result" id="18" ><tr><td class=f><h3 class="t"><a onmousedown="return c({'fm':'as','F':'778717EA','F1':'9D73F1E4','F2':'4CA6BE6B','F3':'54E5243F','T':'1329470302','title':this.innerHTML,'url':this.href,'p1':18,'y':'EFEDDFDF'})" href="http://www.se-express.com/about/about1.htm"target="_blank"><em>搜索引擎</em>分类≡三种主要<em>搜索引擎</em>种类</a>
</h3><font size=-1> 搜索引擎按其工作方式主要可分为三种，分别是全文搜索引擎（Full Text Search Engine）、目录索引类搜索引擎（Search Index/Directory）和<em>元搜索引擎</em>（Meta Search ...<br><span class="g">www.se-express.com/about/about1.htm 2006-1-17 </span> - <a href="http://cache.baidu.com/c?m=9f65cb4a8c8507ed4fece763105392230e54f7226bc0d063289ed108c4251a564711b2e6783f43548e823a7a52ff141bacf32172405966e88f8dd50a8bb4855e299f5447671df65663a30ed9c85154b137e45ffeae69f0ccf025e7d8c5a2da4324ce&p=c6769a4186cc42ad5ff3d20c4d07c4&user=baidu&fm=sc&query=%D4%AA%CB%D1%CB%F7%D2%FD%C7%E6&qid=aaaa17cc1c6af7be&p1=18" target="_blank" class="m">百度快照</a><span class="liketip"id="like_3292908618009573912"></span>
<br></font></td></tr></table>

谷歌例子：
<h3 class="r"><a href="http://www.sowang.com/search/meta_search.htm" target=_blank class=l onmousedown="return rwt(this,'','','','3','AFQjCNHg7RWhFwyHUHZ5EyIJqMwSZiWAgQ','','0CEcQFjAC',null,event)">中文<em>元搜索引擎</em>-- 中文搜索引擎指南网</a></h3><div class="s"><div class="f kv"><cite>www.sowang.com/search/meta_search.htm</cite><span class=gl> - <a href="http://webcache.googleusercontent.com/search?q=cache:wGc9uKiuPbsJ:www.sowang.com/search/meta_search.htm+%E5%85%83%E6%90%9C%E7%B4%A2%E5%BC%95%E6%93%8E&cd=3&hl=zh-CN&ct=clnk" target=_blank onmousedown="return rwt(this,'','','','3','AFQjCNGOw2PghnD_Jgz0rHaka83Krex44A','','0CEgQIDAC',null,event)">网页快照</a></span><span class=vshid><a href="/search?hl=zh-CN&newwindow=1&safe=strict&q=related:www.sowang.com/search/meta_search.htm+%E5%85%83%E6%90%9C%E7%B4%A2%E5%BC%95%E6%93%8E&tbo=1&sa=X&ei=xB4-T_D4KvCviQfdh9DCBA&ved=0CEkQHzAC">类似结果</a></span></div><div class="esc slp" id="poS2" style="display:none">您已公开地对此项 +1。 <a href="#" class="fl">撤消</a></div><span class="st"><em>元搜索引擎</em>，通过一个统一的用户界面帮助用户在多个搜索引擎中选择和利用合适的(甚至是同时利用若干个)搜索引擎来实现检索操作，是对分布于网络的多种检索 <b>...</b><br></span></div>

现在的谷歌代码是：
string tempStr = File.ReadAllText(@"C:\Documents and Settings\Administrator\桌面\Test.txt", Encoding.GetEncoding("GB2312"));
string pattern = @"(?<=<h3[\s\S]*?)((<b>[\s\S]*?</b>[^<]*)+)[\s\S]*?(<cite>\s*([^<]+)\s*</cite>)";
foreach (Match m in Regex.Matches(tempStr, pattern))
{
//循环输出
string title = m.Groups[1].Value;//<b>什么</b>是>> 首页-<b>什么</b>是<b>什么</b>，搜搜就知道！
string href_all = m.Groups[3].Value;//<cite>www.shenmeshi.com/</cite>
string href = m.Groups[4].Value;//www.shenmeshi.com/
}

百度代码是：html为读取的数据 string tempStr = File.ReadAllText(@"C:\Documents and Settings\Administrator\桌面\Test.txt", Encoding.GetEncoding("GB2312"));

public List<Keyword> GetKeywords(string html)
{
List<Keyword> keywords = new List<Keyword>();
Regex regtable = new Regex(@"(?is)<table[^>]*?id=(['""]?)(\d{2}|\d{1})\1[^>]*>(?><table[^>]*>(?<o>)|</table>(?<-o>)|(?:(?!</?table\b).)*)*(?(o)(?!))</table>", RegexOptions.IgnoreCase);
Regex rega = new Regex(@"(?is)<a\b[^>]*?href=([""]?)(?<link>[^""\s>]+)\1[^>]*>(?<title>.*?)</a>", RegexOptions.IgnoreCase);
MatchCollection mctable = regtable.Matches(html);
foreach (Match mtable in mctable)
{
if (mtable.Success)
{
Match ma = rega.Match(mtable.Value);
if (ma.Success)
{
Keyword keyw = new Keyword();
keyw.Link = ma.Groups["link"].Value;
keyw.Title = ma.Groups["title"].Value;
keywords.Add(keyw);
}
}
}
return keywords;
}

class Keyword
{
public string Title { get; set; }
public string Link { get; set; }
}

...全文

275 9 打赏收藏转发到动态举报

写回复

用AI写文章

9 条回复

切换为时间正序

请发表友善的回复…

发表回复

zzzzv0 2012-02-21

打赏
举报

楼主贴的两个测试内容貌似都是谷歌的？
试试把谷歌的正则最后那个<br>后边的?删了

idtest5 2012-02-21

打赏
举报

[Quote=引用 5 楼 return_false 的回复:]

2.谷歌
C# code
string tempStr = File.ReadAllText(@"C:\Users\dell\Desktop\Test.txt",Encoding.GetEncoding("gb2312"));//读取文档
string pattern = @"(?i)(?<=<h3[^>]+class=['""]?r[^>]*>)[\s\S]*?<a……
[/Quote]
还是有一部分不成功的
我贴出一些用的测试内容：谷歌



<h3 class="r"><a href="http://homepage.yesky.com/50/30000550.shtml" target=_blank class=l onmousedown="return rwt(this,'','','','4','AFQjCNGc1U58KCj6JAJ3Wz5OepAxpRBGcg','','0CEMQFjAD',null,event)">Google正在<em>测试</em>新版<em>搜索结果</em>页面_天极网</a></h3><div class="s"><div class="f kv"><cite><span class=bc>homepage.yesky.com › <a href="/url?url=http://soft.yesky.com/&rct=j&sa=X&ei=e1VDT96KGonBiQe4zqHyBA&ved=0CEQQ6QUoADAD&q=%E6%B5%8B%E8%AF%95%E6%90%9C%E7%B4%A2%E7%BB%93%E6%9E%9C&usg=AFQjCNHNhNsJ0m5FeOIQ5-X9C9tuzXhyZg" target=_blank>软件频道</a> › <a href="/url?url=http://homepage.yesky.com/&rct=j&sa=X&ei=e1VDT96KGonBiQe4zqHyBA&ved=0CEUQ6QUoATAD&q=%E6%B5%8B%E8%AF%95%E6%90%9C%E7%B4%A2%E7%BB%93%E6%9E%9C&usg=AFQjCNG-eWcHyoQFobh-s8IiPEXUHQnR3w" target=_blank>网页陶吧</a></span></cite><span class=gl> - <a href="http://webcache.googleusercontent.com/search?q=cache:qJBBIFYWfzgJ:homepage.yesky.com/50/30000550.shtml+%E6%B5%8B%E8%AF%95%E6%90%9C%E7%B4%A2%E7%BB%93%E6%9E%9C&cd=4&hl=zh-CN&ct=clnk" target=_blank onmousedown="return rwt(this,'','','','4','AFQjCNF7yJiUekssv9GGMzDmwG_p4zA05g','','0CEcQIDAD',null,event)">网页快照</a></span><span class=vshid></span></div><div class="esc slp" id="poS3" style="display:none">您已公开地对此项 +1。 <a href="#" class="fl">撤消</a></div><span class="st"><span class="f">2011年5月9日 – </span>消息人士透露，Google正在<em>测试</em>一个全新的<em>搜索结果</em>页面，该页面目前仍然处于<em>测试</em><wbr>阶段，Google对此十分重视。<br></span></div></div><!--n--></li><!--m--><li class="g"><div class="vsc" pved="0CEkQkgowBA" sig="-cL">

百度



<h3 class="r"><a href="http://homepage.yesky.com/50/30000550.shtml" target=_blank class=l onmousedown="return rwt(this,'','','','4','AFQjCNGc1U58KCj6JAJ3Wz5OepAxpRBGcg','','0CEMQFjAD',null,event)">Google正在<em>测试</em>新版<em>搜索结果</em>页面_天极网</a></h3><div class="s"><div class="f kv"><cite><span class=bc>homepage.yesky.com › <a href="/url?url=http://soft.yesky.com/&rct=j&sa=X&ei=e1VDT96KGonBiQe4zqHyBA&ved=0CEQQ6QUoADAD&q=%E6%B5%8B%E8%AF%95%E6%90%9C%E7%B4%A2%E7%BB%93%E6%9E%9C&usg=AFQjCNHNhNsJ0m5FeOIQ5-X9C9tuzXhyZg" target=_blank>软件频道</a> › <a href="/url?url=http://homepage.yesky.com/&rct=j&sa=X&ei=e1VDT96KGonBiQe4zqHyBA&ved=0CEUQ6QUoATAD&q=%E6%B5%8B%E8%AF%95%E6%90%9C%E7%B4%A2%E7%BB%93%E6%9E%9C&usg=AFQjCNG-eWcHyoQFobh-s8IiPEXUHQnR3w" target=_blank>网页陶吧</a></span></cite><span class=gl> - <a href="http://webcache.googleusercontent.com/search?q=cache:qJBBIFYWfzgJ:homepage.yesky.com/50/30000550.shtml+%E6%B5%8B%E8%AF%95%E6%90%9C%E7%B4%A2%E7%BB%93%E6%9E%9C&cd=4&hl=zh-CN&ct=clnk" target=_blank onmousedown="return rwt(this,'','','','4','AFQjCNF7yJiUekssv9GGMzDmwG_p4zA05g','','0CEcQIDAD',null,event)">网页快照</a></span><span class=vshid></span></div><div class="esc slp" id="poS3" style="display:none">您已公开地对此项 +1。 <a href="#" class="fl">撤消</a></div><span class="st"><span class="f">2011年5月9日 – </span>消息人士透露，Google正在<em>测试</em>一个全新的<em>搜索结果</em>页面，该页面目前仍然处于<em>测试</em><wbr>阶段，Google对此十分重视。<br></span></div></div><!--n--></li><!--m--><li class="g"><div class="vsc" pved="0CEkQkgowBA" sig="-cL">

idtest5 2012-02-19

打赏
举报

人生难得一只鸡 2012-02-19

打赏
举报

2.谷歌

string tempStr = File.ReadAllText(@"C:\Users\dell\Desktop\Test.txt",Encoding.GetEncoding("gb2312"));//读取文档

            string pattern = @"(?i)(?<=<h3[^>]+class=['""]?r[^>]*>)[\s\S]*?<a[^>]+href=(['""]?)([^'""]+)\1[^>]*>((?:(?!</a>).)*)[\s\S]*?</h3>[\s\S]*?<span[^>]*class=\1st\1[^>]*>((?:(?!(?:((/?<br>))?</span>)).)*)";

            foreach (Match m in Regex.Matches(tempStr, pattern))

            {

                //循环输出

                string output =  m.Value;

                string href = m.Groups[2].Value;

                /*

                 * http://www.sowang.com/search/meta_search.htm

                 */

                string title = m.Groups[3].Value;

                /*

                 * 中文<em>元搜索引擎</em>-- 中文搜索引擎指南网

                 */

                string description = m.Groups[4].Value;

                /*

                 *  <em>元搜索引擎</em>，通过一个统一的用户界面帮助用户在多个搜索引擎中选择和利用合适的(甚至是同时利用若干个)搜索引擎来实现检索操作，是对分布于网络的多种检索 <b>...</b>

                 */



            }

人生难得一只鸡 2012-02-19

打赏
举报

1.百度

 string tempStr = File.ReadAllText(@"C:\Users\dell\Desktop\Test.txt",Encoding.GetEncoding("gb2312"));//读取文档

            string pattern = @"(?<=<h3[^>]+class=['""]?t[^>]*>)[\s\S]*?<a[^>]+href=(['""]?)([^'""]+)\1[^>]*>((?:(?!</a>).)*)[\s\S]*?</h3>[\s\S]*?<font[^>]*>[\s\S]*?((?:(?!(?:(</?br>))?<span[^>]*class=\1g\1).)*)";

            foreach (Match m in Regex.Matches(tempStr, pattern))

            {

                //循环输出

                string output =  m.Value;

                string href = m.Groups[2].Value;

                /*

                 * http://www.se-express.com/about/about1.htm

                 */

                string title = m.Groups[3].Value;

                /*

                 * <em>搜索引擎</em>分类≡三种主要<em>搜索引擎</em>种类

                 */

                string description = m.Groups[4].Value;

                /*

                 *  搜索引擎按其工作方式主要可分为三种，分别是全文搜索引擎（Full Text Search Engine）、目录索引类搜索引擎（Search Index/Directory）和<em>元搜索引擎</em>（Meta Search ...

                 */

 

            }

small5e4444 2012-02-18

打赏
举报

http://blog.csdn.net/small5e4444/article/details/5740018

idtest5 2012-02-18

打赏
举报

需要提取的信息：

百度
标题： <em>搜索引擎</em>分类≡三种主要<em>搜索引擎</em>种类
网址：http://www.se-express.com/about/about1.htm
简介：搜索引擎按其工作方式主要可分为三种，分别是全文搜索引擎（Full Text Search Engine）、目录索引类搜索引擎（Search Index/Directory）和<em>元搜索引擎</em>（Meta Search ...

谷歌
标题：中文<em>元搜索引擎</em>-- 中文搜索引擎指南网
网址：www.sowang.com/search/meta_search.htm
简介：<em>元搜索引擎</em>，通过一个统一的用户界面帮助用户在多个搜索引擎中选择和利用合适的(甚至是同时利用若干个)搜索引擎来实现检索操作，是对分布于网络的多种检索 <b>...</b>

这通常涉及配置邮件服务器以使用 SpamAssassin 进行内容扫描，并根据分数更改邮件头或者直接拒收高分邮件。 ### 7. 更新 SpamAssassin 规则保持 SpamAssassin 的规则库最新是至关重要的，因为垃圾邮件制造者不断...

节点正则表达式 图像将下载到 start.js 文件同一目录中的 /Images 文件夹。要运行此应用程序，请按照以下步骤操作。在你的机器上安装 NodeJs。打开命令行并浏览到包含 start.js 文件的文件夹。命令 //安装...

其次，BBEdit 10.5强化了文本搜索和替换功能，支持正则表达式，可以进行复杂的数据查找和替换操作，这对于处理大量文本数据的场景非常有用。此外，它还有多文档同时编辑的能力，允许用户在一个窗口中并排查看和修改...

这通常由解析器完成，它使用上下文无关文法（CFG）或正则表达式来构建抽象语法树（AST）。AST是对源代码结构的直观表示，便于后续处理。 3. **语义分析**：在构建了AST之后，解释器会进行语义分析，确保代码的逻辑...

高级搜索选项：通过指定字段，搜索密码，历史记录并使用强大的正则表达式语法来优化搜索。历史记录：您所做的所有更改都会记录到历史记录中。您可以回滚到任何状态或完全删除该状态。条目图标：从预定义的高分辨率...