[固定格式网页解析]使用正则表达式解析的初步体会

王朝other·作者佚名  2006-01-09
窄屏简体版  字體: |||超大  

用IE WebControl解析网页得到特定网页中的特定数据:

Set oDocument = Form2.m_IE.Document

Set oelement = oDocument.Forms("searchdetail")

Set oListTableElement = oelement.children(0).children(0)

这样的好处是简单,但坏处是:如何读取以及节点值究竟是什么含意这些信息,不太好抽取出来放到外面,作为灵活配置的文件。

因为它属于一个Childnodes一个Childnodes这么遍历的,无法灵活设定深度以及含义。

又体验了一把正则表达式,专门处理了北京式门户的站点HTML,由于北京式门户的12个省总排行榜页面中总包含这样的固定代码:

<input type = "hidden" name = "hiddentonecode" value = "601504000000000395">

<input type = "hidden" name = "hiddenename" value = "xxx">

<input type = "hidden" name = "hiddensname" value = "ccc">

<input type = "hidden" name = "hiddensinger" value = "vvvv">

<input type = "hidden" name = "hiddentinfo" value = " ">

<input type = "hidden" name = "hiddenpr" value = "42424">

<input type = "hidden" name = "hiddenupdatetime" value = "2004-05-10 10:55:11">

<input type = "hidden" name = "hiddendowadtimes" value = "23432432">

发现下面的式子可以把一系列值解析到一个又一个的MatchCollection中。

我用的是"The Regulator"工具,试验结果如下:

也就是Collection“hiddentonenames”总是XX名的集合,按序排列;

Collection“hiddenspnames”总是XX名的集合,按序排列;

Collection“hiddensingers”总是XX名的集合,按序排列;

以此类推。

在C#中,可以用如下代码得到各个集合的值:

foreach(Match match in matchCollection)

{

Group groupToneNames = match.Groups["hiddentonenames"];

Group groupSpNames = match.Groups["hiddenspnames"];

Group groupSingers = match.Groups["hiddensingers"];

}

这样,我可以针对这各种门派的Portal风格写出专门的正则表达式,但让他们输出的Collections名字都是一样的,从而让获取

一个铃声的各个字段的代码固定下来。

以后更新,只需要修改各个门派的正则表达式即可。

感谢王辉的《Web页面爬行实践》精彩文章!

 
 
 
免责声明:本文为网络用户发布,其观点仅代表作者个人观点,与本站无关,本站仅提供信息存储服务。文中陈述内容未经本站证实,其真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。
 
 
© 2005- 王朝網路 版權所有 導航