|
|||||||
|
|
|
 |
|
|
Strumenti |
29-09-2008, 12:50
|
#1 |
|
Member
Iscritto dal: Sep 2005
Città: Bus PCI 1, periferica 0, funzione 0 (Torino)
Messaggi: 215
|
[Regex] Estrarre codice HTML all'interno di tag
Ciao a tutti,
sto creando un programma in C# che deve estrarre dati da pagine html in questo formato: Codice:
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html> <head> </head> <body> <div id="title"> <!-- DATI --> </div> <div id="artist"> <!-- DATI --> </div> <div id="lyrics"> <!-- DATI --> </div> <div id="admin"> <!-- ROBA INUTILE --> </div> <div id="header"> <!-- ROBA INUTILE --> </div> </body> </html> Inoltre, qualcuno mi consiglia qualche testo semplice ed immediato per capire queste maledettissime regular expression, magari solo tramite esempi? Nella maggior parte dei casi con Google vengono fuori solo siti dove non si capisce (o meglio, dove non ci capisco) quasi nulla... Grazie anticipatamente! 
__________________
Ho concluso affari con: Ippo 2001, Klintf, albert78, Piripikkio, starsky, oldfield e IL0V€INT€R. da EVITARE zarovat |
|
|
|
29-09-2008, 18:35
|
#2 |
|
Senior Member
Iscritto dal: Nov 2005
Messaggi: 2788
|
Questo è un tutorial java sulle regex, ma il succo è lo stesso per tutti i linguaggi: LINK
Per la regex che ti serve in particolare, prova questa, non sono sicuro che funzioni perché non sono molto pratico di queste cose: Codice:
<div id=""(title|artist|lyrics)"">(?<testoUtile>[\w\W]*?)</div> |
|
|
|
|
29-09-2008, 19:37
|
#3 |
|
Bannato
Iscritto dal: Mar 2008
Città: Villabate(PA)
Messaggi: 2515
|
Con le regex è difficile gestire la cosa considerando che un tag potrebbe, per esempio, essere scritto anche su più righe.
Io utilizzerei un bell'automa a stati finiti: File Prova.html : Codice:
<html> <head> </head> <body> <div id="title"> <!-- DATI --> </div> <div id="artist"> <!-- DATI --> dati dell'artista </div> <div id="lyrics"> <!-- DATI --> </div> <div id="admin"> <!-- ROBA INUTILE --> </div> <div id="header"> <!-- ROBA INUTILE --> </div> </body> </html>  Codice:
using System;
using System.Text;
using System.IO;
using System.Windows.Forms;
namespace HtmlAutomaton
{
public partial class Form1 : Form
{
public Form1()
{
InitializeComponent();
}
private void buttonFile_Click(object sender, EventArgs e)
{
OpenFileDialog dlg = new OpenFileDialog();
if (dlg.ShowDialog() == DialogResult.OK)
{
textBoxFile.Text = dlg.FileName;
}
}
private void buttonSearch_Click(object sender, EventArgs e)
{
string strFile = textBoxFile.Text.Trim();
string strDivID = textBoxID.Text.Trim();
textBoxContenuto.Text = "";
if (strFile.Length <= 0)
{
MessageBox.Show("Specificare il nome di un file, prego.");
buttonFile.Focus();
return;
}
if (strDivID.Length <= 0)
{
MessageBox.Show("Specificare l'ID della sezione DIV, prego.");
textBoxID.Focus();
return;
}
Automaton a = new Automaton(strFile);
textBoxContenuto.Text = a.ReadDivContent(strDivID);
}
}
public class Automaton
{
private string buffer = "";
private enum Stati {S_ERROR = -1, S0, S1, S2, S3, S4, S5, S6, S7, S8, S9}
public Automaton(string strFileName)
{
if (File.Exists(strFileName))
{
buffer = File.ReadAllText(strFileName);
}
else
{
buffer = "";
}
}
public string ReadDivContent(string divID)
{
Stati stato = Stati.S0;
string strContent = "Ciao Ciao";
StringBuilder sbContent = new StringBuilder();
StringBuilder sbTemp = new StringBuilder();
int k = 0;
while (k < buffer.Length)
{
switch (stato)
{
case Stati.S0:
if (buffer[k] == '<')
stato = Stati.S1;
break;
case Stati.S1:
if (buffer[k] == ' ' || buffer[k] == '\t' || buffer[k] == '\r' || buffer[k] == '\n')
{
stato = Stati.S1;
}
else if (buffer[k] == 'd' || buffer[k] == 'D')
{
stato = Stati.S0;
if (k < buffer.Length - 2)
{
if (buffer[k + 1] == 'i' || buffer[k + 1] == 'I')
{
if (buffer[k + 2] == 'v' || buffer[k + 2] == 'V')
{
k += 2;
stato = Stati.S2;
}
}
}
}
else
{
stato = Stati.S0;
}
break;
case Stati.S2:
if (buffer[k] == ' ' || buffer[k] == '\t' || buffer[k] == '\r' || buffer[k] == '\n')
{
stato = Stati.S3;
}
else
{
stato = Stati.S0;
}
break;
case Stati.S3:
if (buffer[k] == ' ' || buffer[k] == '\t' || buffer[k] == '\r' || buffer[k] == '\n')
{
stato = Stati.S3;
}
else if (buffer[k] == 'i' || buffer[k] == 'I')
{
stato = Stati.S0;
if (k < buffer.Length - 1)
{
if (buffer[k + 1] == 'd' || buffer[k + 1] == 'D')
{
k++;
stato = Stati.S4;
}
}
}
break;
case Stati.S4:
if (buffer[k] == ' ' || buffer[k] == '\t' || buffer[k] == '\r' || buffer[k] == '\n')
{
stato = Stati.S4;
}
else if (buffer[k] == '=')
{
stato = Stati.S5;
}
break;
case Stati.S5:
if (buffer[k] == ' ' || buffer[k] == '\t' || buffer[k] == '\r' || buffer[k] == '\n')
{
stato = Stati.S4;
}
else if (buffer[k] == '"')
{
k++;
while (k < buffer.Length && buffer[k] != '"')
{
sbTemp.Append(buffer[k]);
k++;
}
if (sbTemp.ToString() == divID)
stato = Stati.S6;
else
stato = Stati.S0;
sbTemp.Remove(0, sbTemp.ToString().Length);
}
break;
case Stati.S6:
if (buffer[k] == ' ' || buffer[k] == '\t' || buffer[k] == '\r' || buffer[k] == '\n')
{
stato = Stati.S6;
}
else if (buffer[k] == '>')
{
stato = Stati.S7;
}
break;
case Stati.S7:
while (k < buffer.Length)
{
if (buffer[k] != '<')
{
sbContent.Append(buffer[k]);
}
else
{
stato = Stati.S8;
break;
}
k++;
}
break;
case Stati.S8:
if (buffer[k] == '/')
{
k++;
while (k < buffer.Length && (buffer[k] == ' ' || buffer[k] == '\t' || buffer[k] == '\r' || buffer[k] == '\n'))
{
k++;
}
if (k < buffer.Length - 3)
{
if (buffer[k] == 'd' || buffer[k] == 'D')
{
if (buffer[k + 1] == 'i' || buffer[k + 1] == 'I')
{
if (buffer[k + 2] == 'v' || buffer[k + 2] == 'V')
{
k += 2;
stato = Stati.S9;
}
}
}
}
}
else
{
sbContent.Append('<');
sbContent.Append(buffer[k]);
stato = Stati.S7;
}
break;
case Stati.S9:
if (buffer[k] == ' ' || buffer[k] == '\t' || buffer[k] == '\r' || buffer[k] == '\n')
{
stato = Stati.S9;
}
else if (buffer[k] == '>')
{
strContent = sbContent.ToString();
}
break;
}
k++;
}
return strContent;
}
}
}
http://www.regular-expressions.info/ Ultima modifica di Vincenzo1968 : 29-09-2008 alle 20:23. |
|
|
|
|
30-09-2008, 16:38
|
#4 |
|
Bannato
Iscritto dal: Mar 2008
Città: Villabate(PA)
Messaggi: 2515
|
C'è un piccolo errore nel codice che ho postato.
Codice errato: Codice:
...
case Stati.S5:
if (buffer[k] == ' ' || buffer[k] == '\t' || buffer[k] == '\r' || buffer[k] == '\n')
{
stato = Stati.S4; // Qui l'errore: S4 va sostituito con S5
}
...
Codice:
...
case Stati.S5:
if (buffer[k] == ' ' || buffer[k] == '\t' || buffer[k] == '\r' || buffer[k] == '\n')
{
stato = Stati.S5;
}
...
|
|
|
|
|
06-10-2008, 19:49
|
#5 | |
|
Member
Iscritto dal: Aug 2004
Messaggi: 39
|
Quote:
(devi usare System.Text.RegularExpressions) Codice:
public static string LeggiDati(string id)
{
Match m = Regex.Match(input, "<div\\s+id=\"" + id + "\"[^>]*>(?<dati>((?!</div>)(.|\\n))*)</div>");
return (m.Success ? m.Result("${dati}") : null);
}
Codice:
<div riconosce esattamente la stringa "<div"
\\s+ riconosce uno o più spazi (anche gli "a capo" sono spazi)
"id=\"" + id + "\"" corrisponde a id="title" o id="artist", ...
[^>]* riconosce zero o più caratteri diversi da '>'
> riconosce il carattere '>'
(?<dati>...) "cattura" il suo contenuto (i puntini ...) denominandolo "dati"
per quanto riguarda: ((?!</div>)(.|\\n))*
(.|\\n) riconosce un carattere che può essere:
- un carattere qualsiasi tranne l'"a capo"
- l'"a capo"
cioè riconosce un carattere qualsiasi.
(.|\\n)* riconosce zero p più caratteri qualsiasi
((?!</div>)(.|\\n))* impone il vincolo "(?!</div>)" che per ciascun
carattere riconosciuto, esso sia tale che la parte di stringa
che da esso inizia non coincida con "</div>"
</div> riconosce esattamente la stringa "</div>"
Infine, siccome ti cattura anche degli spazi iniziali e finali, usa la string.Trim() per cancellarli (questo poteva essere fatto anche a livello di Regex ma poi rischiava di risultare un tantino oscuro il pattern). Per inciso, puoi sempre usare le Regex per eliminare gli spazi multipli o sostituire gli \n e \r con semplici spazi (cosa che in genere va fatta nella traduzione Html --> stringa): Codice:
nuovaStringa = Regex.Replace(vecchiaStringa, "((\\s{2,})|\\n|\\r)", " ");
Spero di esserti stato utile! Ciao!
__________________
Quello che davvero mi interessa è se Dio, quando creò il mondo, aveva scelta. |
|
|
|
|
|
|
| Strumenti | |
|
|
Tutti gli orari sono GMT +1. Ora sono le: 22:30.
