微信公众号搜"智元新知"关注
微信扫一扫可直接关注哦!

正则表达式 – 用于从html页面提取数据的正则表达式

我想从html页面提取所有锚标签.我在Linux中使用它.

lynx --source http://www.imdb.com | egrep "<a[^>]*>"

但是这没有按预期工作,因为结果包含不需要的结果

<a class="amazon-affiliate-site-name" href="http://www.fabric.com">Fabric</a><br>

我想要的

<a href >...</a>

有什么好办法吗?

解决方法:

如果grep中有-P选项以便它接受PCRE模式,那么你应该能够使用更好的正则表达式.有时像*这样的最小量词?帮助.而且,你得到整个输入线,而不仅仅是匹配本身;如果grep有-o选项,它将仅列出匹配的部分.

egrep -Po '<a[^<>]*>'

如果您的grep没有这些选项,请尝试

perl -00 -nle 'print $1 while /(<a[^<>]*>)/gi'

现在越过线边界.

要对HTML进行真正的解析,要求正则表达式比您希望在命令行中输入要复杂得多. Here’s one examplehere’s another.这些可能无法说服你尝试非正则表达式方法,但它们至少应该告诉你在一般情况下比在特定情况下更难.

这个答案显示了为什么all things are possible, but not all are expedient.

版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。

相关推荐