VB6.0使用正则表达式的问题

BARUTH 2013-05-25 08:47:20
最近在学习用VB的XMLHTTP写爬虫，在分析网页源代码的时候遇到了这样一个问题：某些HTML标签是允许嵌套的，例如<DIV>；我现在的需求是获取被嵌套的子标签直接的内容，为此，我花了好久（本人接触正则表达式不久，属于菜鸟级的水平）写并测试了一个表达式，如下面几个函数所示：
'返回执行正则表达式后的匹配集合
Public Function RegExp(src As String, ptrn As String, Optional ic As Boolean = True, Optional gb As Boolean = True) As MatchCollection
Dim re As RegExp
Set re = New RegExp
With re
.Pattern = ptrn
.Global = gb
.IgnoreCase = ic
End With
Set RegExp = re.Execute(src)
Set re = Nothing
End Function
'非贪婪地获取成对出现的标签
Public Function GetSingleTagPair(tag As String, src As String) As MatchCollection
Set GetSingleTagPair = RegExp(src, "<" & tag & ".*?>([\s\S](?!<" & tag & ".*?>))*?(</" & tag & ">)")End Function

红色部分就是我写的表达式。

我的测试文本是：
<!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=utf-8">
<title>图书馆 v4.0 书目检索系统 我的图书馆</title>
<link type="text/css" rel="stylesheet" href="../tpl/css/base.css">
<link type="text/css" rel="stylesheet" href="../tpl/css/main.css">
<script src="../tpl/js/prototype.js"></script>
<script src="../tpl/js/highlighter.js"></script>
</head>

<body>
<body>
<div id="header">
<div id="logo"><img src="../tpl/images/logo.jpg" width="76" height="44" /></div>
<h1 class="font_30px">图书馆书目检索系统</h1>
<div id="navlogin" >
<a href="../reader/book_shelf.php">我的书架</a> | <a href="../reader/search_hist.php">我的检索历史</a>　
</div>
</div>

<div id="menu">
<ul>
<li><a href="../opac/search.php">书目检索</a></li><li><a href="../opac/cls_browsing.php">分类浏览</a></li><li><a href="../opac/peri_nav_e.php">期刊导航</a></li><li><a href="../opac/newbook_cls_browse.php">新书通报</a></li><li><a href="../opac/virtual_shelf.php">公共书架</a></li><li><a href="../info/info_guide.php">信息发布</a></li><li><a href="../asord/asord_redr.php">读者荐购</a></li><li><a href="../reader/redr_cust_result.php"><b>我的图书馆</b></a></li> </ul>
<div style="color:#FFF; float:right;padding:5px 20px 0 0px">
<img src="../tpl/images/icon_login.gif" width="16" height="11" /> xxx   <a href="../reader/logout.php"><strong style="color:red">注销</strong></a></div>
</div>
<div id="submenu">
</div>

<link type="text/css" rel="stylesheet" href="../tpl/css/mylib.css" /><LINK href="../tpl/css/tag-boxes.css" type="text/css" rel="stylesheet">
<script src="../tpl/js/ajax.js"></script>
<script src="../tpl/js/md5.js"></script>
<script src="../tpl/js/prototype.js"></script>
<script src="../tpl/js/xhconn.js"></script>
<script src="../tpl/js/tag-boxes.js"></script>
</head>
<body>
<div id="content" style="height:700px;">
<div id="navsidebar">
<ul id="nav_mylib">
<li id="nav_mylibhome"><a href="redr_cust_result.php" >我的首页</a></li><li><a href="redr_info.php" >证件信息</a></li><li><a href="book_lst.php" >书刊借阅</a></li><li><a href="fine_pec.php" >违章缴款</a></li><li><a href="preg.php" >预约信息</a></li><li><a href="relegate.php" >委托信息</a></li><li><a href="book_loss.php" >书刊遗失</a></li><li><a href="redr_lost.php" >读者挂失</a></li><li><a href="account.php" >帐目清单</a></li><li><a href="asord_lst.php" >荐购历史</a></li><li><a href="book_rv.php" >我的书评</a></li><li><a href="book_push.php" >系统推荐</a></li><li><a href="book_shelf.php" >我的书架</a></li><li><a href="search_hist.php" >检索历史</a></li>
</ul>
</div>

<div id="mylib_content">
<DIV id="head">
<div id="headTitle">
<table cellspacing="0" cellpadding="0" width="98%">
<tr><td align="left"><a style="text-decoration:underline;" onclick="displayHead();" href="#">我需要添加...</a></td>
<td align="right"><a style="text-decoration:underline;" onclick="saveApply();" href="#">保存设置</a></td>
</tr></table>
</div>
<div id="headBox" style="display:block" >
<p>提示：拖动您关注的内容的小图标到下面的页面域中。</p>
<ul id="dragableHeadUL">
</ul>
<div class="clear"></div>
<div id="validrssDiv" >  添加外部RSS源：<input type="text" style="height:14px;font-size:12px;" id="txt_rssurl" onkeyup="validInputText();" size=50 value="" /><input type="hidden" id="txt_rsstitle" /> <input type="button" id="btn_addurl" value="添加" disabled="disabled" style="height:24px; font-size:12px;" onclick="addRssURL();"/> <input type="button" id="btn_cancel" value="重置" disabled="disabled" style="height:24px; font-size:12px;" onclick="cancel();"/><span id="validinfo"></span></div>
<div class="clear"></div>
</div>
</div>
<DIV id="modules" >
<div id="floatingBoxParentContainer"> </div>
<div id="debugInfo" style="display:none"></div>
<span id="ajax_validInfo" style="display:none"></span>
</div>
</div>

</div>
<script type="text/javascript">
createColumns();
createHelpObjects();
initEvents();


createAHead('','预约到书提醒','http://202.119.224.6:8080/reader/rss.php?type=1&id=5145583b0566553b55670a3a06310a395463', 5, 1);createAHead('','委托到书提醒','http://202.119.224.6:8080/reader/rss.php?type=2&id=5145583b0566553b55670a3a06310a395463', 5, 1);createAHead('','已超期图书提醒','http://202.119.224.6:8080/reader/rss.php?type=3&id=5145583b0566553b55670a3a06310a395463', 5, 1);createAHead('','即将到期的图书提醒','http://202.119.224.6:8080/reader/rss.php?type=4&id=5145583b0566553b55670a3a06310a395463', 5, 1);createAHead('','系统推荐','http://202.119.224.6:8080/reader/rss.php?type=5&id=5145583b0566553b55670a3a06310a395463', 5, 1);
</script>
<div id="footer"> <div id="copy">版权所有©<a target="_blank" href="http://www.libsys.com.cn">1999-2009 江苏汇文软件有限公司</a></div></body></html>

执行上面的函数返回的匹配集合是：
[1]<div id="logo"><img src="../tpl/images/logo.jpg" width="76" height="44" /></div>
[2]<div id="navlogin" >
<a href="../reader/book_shelf.php">我的书架</a> | <a href="../reader/search_hist.php">我的检索历史</a>　
</div>
[3]<div style="color:#FFF; float:right;padding:5px 20px 0 0px">
<img src="../tpl/images/icon_login.gif" width="16" height="11" /> 唐锦渊   <a href="../reader/logout.php"><strong style="color:red">注销</strong></a></div>
[4]<div id="submenu">
</div>
[5]<div id="navsidebar">
<ul id="nav_mylib">
<li id="nav_mylibhome"><a href="redr_cust_result.php" >我的首页</a></li><li><a href="redr_info.php" >证件信息</a></li><li><a href="book_lst.php" >书刊借阅</a></li><li><a href="fine_pec.php" >违章缴款</a></li><li><a href="preg.php" >预约信息</a></li><li><a href="relegate.php" >委托信息</a></li><li><a href="book_loss.php" >书刊遗失</a></li><li><a href="redr_lost.php" >读者挂失</a></li><li><a href="account.php" >帐目清单</a></li><li><a href="asord_lst.php" >荐购历史</a></li><li><a href="book_rv.php" >我的书评</a></li><li><a href="book_push.php" >系统推荐</a></li><li><a href="book_shelf.php" >我的书架</a></li><li><a href="search_hist.php" >检索历史</a></li>
</ul>
</div>
[6]<div id="headTitle">
<table cellspacing="0" cellpadding="0" width="98%">
<tr><td align="left"><a style="text-decoration:underline;" onclick="displayHead();" href="#">我需要添加...</a></td>
<td align="right"><a style="text-decoration:underline;" onclick="saveApply();" href="#">保存设置</a></td>
</tr></table>
</div>
[7]<div class="clear"></div>
[8]<div id="validrssDiv" >  添加外部RSS源：<input type="text" style="height:14px;font-size:12px;" id="txt_rssurl" onkeyup="validInputText();" size=50 value="" /><input type="hidden" id="txt_rsstitle" /> <input type="button" id="btn_addurl" value="添加" disabled="disabled" style="height:24px; font-size:12px;" onclick="addRssURL();"/> <input type="button" id="btn_cancel" value="重置" disabled="disabled" style="height:24px; font-size:12px;" onclick="cancel();"/><span id="validinfo"></span></div>
[9]<div class="clear"></div>
[10]<div id="floatingBoxParentContainer"> </div>
[11]<div id="debugInfo" style="display:none"></div>
[12]<div id="footer"> <div id="copy">版权所有©<a target="_blank" href="http://www.libsys.com.cn">1999-2009 江苏汇文软件有限公司</a></div>

观察结果：发现前11条记录符合要求，但是第12条记录理应被排除，但是却没有。这是为什么呢？
...全文
197 6 打赏 收藏 转发到动态 举报
写回复
用AI写文章
6 条回复
切换为时间正序
请发表友善的回复…
发表回复
赵4老师 2013-06-15
  • 打赏
  • 举报
 回复
引用 5 楼 TJ12580 的回复:
二楼那位好心人的代码好长，而且我基本不考虑用非正则表达式的方法处理大量的文本，主要是灵活性太差，不好改动，所以原谅我没有采纳。虽然没能解决问题，但是感谢各位回帖，在此一并谢过。发誓要好好研究一下正则表达式，目前正在看《精通正则表达》这本书，相信事在人为，问题终究能得到解决。
2楼代码是有限状态自动机。 提醒：解决字符串过滤处理问题时，“有限状态自动机”是万能的；而“正则表达式”不是万能的。
BARUTH 2013-06-14
  • 打赏
  • 举报
 回复
二楼那位好心人的代码好长，而且我基本不考虑用非正则表达式的方法处理大量的文本，主要是灵活性太差，不好改动，所以原谅我没有采纳。虽然没能解决问题，但是感谢各位回帖，在此一并谢过。发誓要好好研究一下正则表达式，目前正在看《精通正则表达》这本书，相信事在人为，问题终究能得到解决。
无·法 2013-05-29
  • 打赏
  • 举报
 回复
引用 3 楼 TJ12580 的回复:
这个我也发现了，但是实在不明白为什么会这样。“先替换下以保证两个<div 不在同一行。”，不知道VB的正则表达式有没有内置的替换功能呢？
有啊，replace方法 reg.pattern="(<div.*?>)" xxx=reg.repace(xxx,"$1" & vbcrlf)
BARUTH 2013-05-29
  • 打赏
  • 举报
 回复
这个我也发现了，但是实在不明白为什么会这样。“先替换下以保证两个<div 不在同一行。”，不知道VB的正则表达式有没有内置的替换功能呢？
无·法 2013-05-28
  • 打赏
  • 举报
 回复
确实挺诡异。 但是如果把<div 放到两行也就是最后部分修改成下面这样： <div id="footer"> <div id="copy">版权所有©<a target="_blank" href="http://www.libsys.com.cn">1999-2009 江苏汇文软件有限公司</a></div> 再去匹配就没有问题了。你可以考虑先替换下以保证两个<div 不在同一行。
赵4老师 2013-05-27
  • 打赏
  • 举报
 回复
仅供参考
Private Function StrFormat(s As String) As String
On Error Resume Next
Dim Buf As String
Dim StrTemp As String
Dim c As String
Dim i As Long
Dim j As Long
Dim k As Long
Dim L As Long
    Buf = s
    Do
        L = InStr(1, Buf, "<style", vbTextCompare)
        If L > 0 Then
            k = InStr(L + 6, Buf, "</style>", vbTextCompare)
            If k > 0 Then
                Buf = Left(Buf, L - 1) + Mid(Buf, k + 8)
            Else
                Buf = Left(Buf, L - 1)
                Exit Do
            End If
        Else
            Exit Do
        End If
    Loop
    Do
        L = InStr(1, Buf, "<script", vbTextCompare)
        If L > 0 Then
            k = InStr(L + 7, Buf, "</script>", vbTextCompare)
            If k > 0 Then
                Buf = Left(Buf, L - 1) + Mid(Buf, k + 9)
            Else
                Buf = Left(Buf, L - 1)
                Exit Do
            End If
        Else
            Exit Do
        End If
    Loop
    Buf = Replace(Buf, "&", "&")
    Buf = Replace(Buf, """, Chr(34)) '替换成双引号
    Buf = Replace(Buf, "<", "<")
    Buf = Replace(Buf, ">", ">")
    Buf = Replace(Buf, " ", "")
    Buf = Replace(Buf, "<", " <")
    Buf = Replace(Buf, ">", "> ")
    Buf = Replace(Buf, " ", "")
    Buf = Replace(Buf, Chr(26), " ")
    Buf = Replace(Buf, Chr(10), " ")
    Buf = Replace(Buf, Chr(9), " ")
    Buf = Replace(Buf, Chr(13), " ")
    Buf = LTrim(Buf)
    Buf = RTrim(Buf)
    '您可加入其他替换
    StrTemp = ""
    For i = 1 To Len(Buf)
        c = Mid(Buf, i, 1)
        Select Case c
            Case "<"
                If i <> 1 Then
                    StrTemp = StrTemp & Mid(Buf, j + 1, i - j - 1)
                End If
            Case ">"
                j = i
        End Select
    Next i
    L = Len(StrTemp)
    Do
        Buf = Replace(StrTemp, "  ", " ")
        i = Len(Buf)
        If i = L Then Exit Do
        L = i
        StrTemp = Buf
    Loop
    StrFormat = Buf
End Function
VB6.0如何使用正则表达式
给VB6的爱好者们、初学者们，如何使用正则表达式，内文即是代码。
VB6.0 中正则表达式的使用.pdf
描述如何在Visual Basic 6.0开发工程中创建和使用正则表达式对象,里面有对相关控件操作的详细说明,并且有一个例子代码。
Excel+Python xlwings数据处理自动化
Excel+Python xlwings数据处理自动化，内容包括Python语法基础、Excel四大对象、图形、图表、数据透视表、公式和函数、字典应用、正则表达式等。 相关套餐： Python+VBA办公自动化系列课程-CSDN程序员研修院   ...
VB6.0正则表达式
VB6.0正则表达式,希望对大家都有用，还很难学的。
正则表达式测试工具V1.0.0.exe
使用VB6.0开发的正则表达式验证小工具,体积超小只有72KB. 支持 全局搜索 支持 大小写敏感匹配 支持 替换功能 这个是工具, 正则表达式的匹配与开发使用的语言无关。
网络编程

1,502

社区成员

18,437

社区内容

发帖
与我相关
我的任务
社区描述
VB 网络编程
社区管理员
  • 网络编程
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