HTML 查找某文字列并读取其注释内容用正则好吗？-CSDN论坛

⋅缩放图片怎么限定一个最小与最大尺寸？还有怎样防止不飞出边界？ ⋅C# winfrom 在win10里的两个问题 ⋅有没有打算开个自动化控制的版块？ 更多帖子 关注私信空间博客 sosoben 本版专家分：1708 结帖率 94.87%

<?xml version="1.0" encoding="UTF-8"?>

<!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" xml:lang="en" lang="en">

 <head>

  <title></title>

  <meta http-equiv="Content-Type" content="text/html; charset=utf-8" />

  <meta name='ocr-system' content='tesseract 3.02' />

  <meta name='ocr-capabilities' content='ocr_page ocr_carea ocr_par ocr_line ocrx_word'/>

 </head>

 <body>

  <div class='ocr_page' id='page_1' title='image "tamron.new.exp4.TIF"; bbox 0 0 547 70; ppageno 0'>

   <div class='ocr_carea' id='block_1_1' title="bbox 28 27 509 54">

    <p class='ocr_par' dir='ltr' id='par_1' title="bbox 28 27 509 54">

     <span class='ocr_line' id='line_1' title="bbox 28 27 509 54">

     <span class='ocrx_word' id='word_1' title="bbox 28 27 76 52">200</span> 

     <span class='ocrx_word' id='word_2' title="bbox 108 27 200 52">135100</span> 

     <span class='ocrx_word' id='word_3' title="bbox 228 27 260 52">70</span>

     </span>

    </p>

   </div>

  </div>

 </body>

</html>

内容如上，我想查找其文字列“200” 的注释 title="bbox 28 27 76 52" 这一部分应该怎么找好呢？
如果正则求正则表达式~~（不能与"bbox 108 27 200 52" 里面的200 混淆）

0 2013-08-05 09:19:45

回复数 7 只看楼主引用举报楼主

⋅升星散分 ⋅联合会杯又猜赢了2000分，散分 ⋅升星星，散个分 更多帖子 关注私信空间博客 人生难得一只鸡 本版专家分：67062 版主 红花 2012年8月 .NET技术大版内专家分月排行榜第一 黄花 2014年5月 Web 开发大版内专家分月排行榜第二 2014年4月 Web 开发大版内专家分月排行榜第二 蓝花 2014年3月 Web 开发大版内专家分月排行榜第三 2014年2月 Web 开发大版内专家分月排行榜第三 2013年7月 .NET技术大版内专家分月排行榜第三 2013年6月 .NET技术大版内专家分月排行榜第三 2012年9月 .NET技术大版内专家分月排行榜第三

string tempStr = File.ReadAllText(@"C:\Users\myx\Desktop\Test.txt", Encoding.GetEncoding("GB2312"));//读取txt

            string pattern = @"<span[^>]*?class=(['""]?)ocrx_word\1[^>]*?title=(['""]?)([^'""]+)\2[^>]*?>";



            string result = Regex.Match(tempStr, pattern).Groups[3].Value;//bbox 28 27 76 52

0 2013-08-05 09:29:28

只看TA 引用举报 #1 得分 5

⋅jar文件执行错误 ⋅【圣诞节】话说没注意今天是圣诞节 ⋅【圣诞节】大家圣诞可高兴？ 更多帖子 关注私信空间博客 newtee 本版专家分：8812 红花 2012年12月扩充话题大版内专家分月排行榜第一 蓝花 2012年12月 C/C++大版内专家分月排行榜第三 2012年11月 C/C++大版内专家分月排行榜第三 2012年11月扩充话题大版内专家分月排行榜第三 2012年10月 C/C++大版内专家分月排行榜第三: 用这个http://download.csdn.net/detail/zhuankeshumo/5865413

0 2013-08-05 09:45:40

只看TA 引用举报 #2 得分 0

⋅缩放图片怎么限定一个最小与最大尺寸？还有怎样防止不飞出边界？ ⋅C# winfrom 在win10里的两个问题 ⋅有没有打算开个自动化控制的版块？ 更多帖子 关注私信空间博客 sosoben 本版专家分：1708

引用 1 楼 Return_false 的回复:

string tempStr = File.ReadAllText(@"C:\Users\myx\Desktop\Test.txt", Encoding.GetEncoding("GB2312"));//读取txt

            string pattern = @"<span[^>]*?class=(['""]?)ocrx_word\1[^>]*?title=(['""]?)([^'""]+)\2[^>]*?>";



            string result = Regex.Match(tempStr, pattern).Groups[3].Value;//bbox 28 27 76 52

你好谢谢你的回答。

已经基本能拿到bbox 28 27 76 52 这个数据，不过我看正则（我不太懂）不过好像不是查找那个200，
而是查找第一个ocrx_word 就是我一旦200不是最前面就会错了

请问如何修改呢？

0 2013-08-05 10:06:13

只看TA 引用举报 #3 得分 0

⋅加了having变慢 ⋅打开outlook里面的链接不是默认浏览器 ⋅数据表中tbCustomer存在cId,cName,cParentId三个字段，表示客户的层级关系，其中tParentId和tId关联。请编写SQL获取指定索引 更多帖子 关注私信空间博客 xiongxyt2 本版专家分：7492: string tempStr = File.ReadAllText(@"C:\Users\myx\Desktop\Test.txt", Encoding.GetEncoding("GB2312"));//读取txt
string pattern = @"<span[^>]*?class=(['""]?)ocrx_word\1[^>]*?title=(['""]?)([^'""]+)\2[^>]*?>200</span>";

0 2013-08-05 10:13:08

只看TA 引用举报 #4 得分 15

⋅WebClient.DownloadData() 方法莫名其妙的报错 ⋅请问哪里有这个炫酷的 VS 2015 编码特效插件 ⋅VS 2015 bin 目录生成的 Microsoft.VisualStudio.dll 更多帖子 关注私信空间博客 youzelin 本版专家分：7199



string s = @"

    <?xml version=""1.0"" encoding=""UTF-8""?>

    <!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"" xml:lang=""en"" lang=""en"">

        <head>

            <title></title>

            <meta http-equiv=""Content-Type"" content=""text/html; charset=utf-8"" />

            <meta name='ocr-system' content='tesseract 3.02' />

            <meta name='ocr-capabilities' content='ocr_page ocr_carea ocr_par ocr_line ocrx_word'/>

        </head>

        <body>

            <div class='ocr_page' id='page_1' title='image ""tamron.new.exp4.TIF""; bbox 0 0 547 70; ppageno 0'>

                <div class='ocr_carea' id='block_1_1' title=""bbox 28 27 509 54"">

                    <p class='ocr_par' dir='ltr' id='par_1' title=""bbox 28 27 509 54"">

                    <span class='ocr_line' id='line_1' title=""bbox 28 27 509 54"">

                        <span class='ocrx_word' id='word_1' title=""bbox 28 27 76 52"">200</span> 

                        <span class='ocrx_word' id='word_2' title=""bbox 108 27 200 52"">135100</span> 

                        <span class='ocrx_word' id='word_3' title=""bbox 228 27 260 52"">70</span>

                    </span>

                    </p>

                </div>

            </div>

        </body>

    </html>

";



Regex regex = new Regex(@"\<span(?:\s+(?<kv>\w+=(?:'[^']+'|""[^""]+"")))+\>200\</span\>");

Match match = regex.Match(s);

if (match.Success)

{

    foreach (Capture capture in match.Groups["kv"].Captures)

    {

        if (capture.Value.IndexOf("title") >= 0)

        {

            Console.WriteLine(capture.Value.Substring(capture.Value.IndexOf("=") + 1));

        }

    }

}

Console.ReadKey();

0 2013-08-05 10:34:16

只看TA 引用举报 #5 得分 30

sosoben 本版专家分：1708: 4 楼 5 楼都可以，5楼比较详细，如果没有更好的就结贴给分了

0 2013-08-05 15:45:49

只看TA 引用举报 #6 得分 0

⋅缩放图片怎么限定一个最小与最大尺寸？还有怎样防止不飞出边界？ ⋅C# winfrom 在win10里的两个问题 ⋅有没有打算开个自动化控制的版块？ 更多帖子 关注私信空间博客 sosoben 本版专家分：1708

引用 5 楼 youzelin 的回复:



string s = @"

    <?xml version=""1.0"" encoding=""UTF-8""?>

    <!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"" xml:lang=""en"" lang=""en"">

        <head>

            <title></title>

            <meta http-equiv=""Content-Type"" content=""text/html; charset=utf-8"" />

            <meta name='ocr-system' content='tesseract 3.02' />

            <meta name='ocr-capabilities' content='ocr_page ocr_carea ocr_par ocr_line ocrx_word'/>

        </head>

        <body>

            <div class='ocr_page' id='page_1' title='image ""tamron.new.exp4.TIF""; bbox 0 0 547 70; ppageno 0'>

                <div class='ocr_carea' id='block_1_1' title=""bbox 28 27 509 54"">

                    <p class='ocr_par' dir='ltr' id='par_1' title=""bbox 28 27 509 54"">

                    <span class='ocr_line' id='line_1' title=""bbox 28 27 509 54"">

                        <span class='ocrx_word' id='word_1' title=""bbox 28 27 76 52"">200</span> 

                        <span class='ocrx_word' id='word_2' title=""bbox 108 27 200 52"">135100</span> 

                        <span class='ocrx_word' id='word_3' title=""bbox 228 27 260 52"">70</span>

                    </span>

                    </p>

                </div>

            </div>

        </body>

    </html>

";



Regex regex = new Regex(@"\<span(?:\s+(?<kv>\w+=(?:'[^']+'|""[^""]+"")))+\>200\</span\>");

Match match = regex.Match(s);

if (match.Success)

{

    foreach (Capture capture in match.Groups["kv"].Captures)

    {

        if (capture.Value.IndexOf("title") >= 0)

        {

            Console.WriteLine(capture.Value.Substring(capture.Value.IndexOf("=") + 1));

        }

    }

}

Console.ReadKey();

你好，我的200 前面有时侯会出现个<em> 有时侯又不会，请问怎么修改才能比较完美呢？

0 2013-08-08 10:43:30

只看TA 引用举报 #7 得分 0

HTML 查找某文字列 并读取其注释内容 用正则好吗？ [问题点数：50分，结帖人sosoben]

HTML 查找某文字列并读取其注释内容用正则好吗？ [问题点数：50分，结帖人sosoben]