用正则表达式提取网页上表格的内容

最新推荐文章于 2024-04-13 14:19:59 发布

原创最新推荐文章于 2024-04-13 14:19:59 发布 · 1.2w 阅读

2 ·

本内容遵循CC 4.0 BY-SA版权协议

收录于

正则表达式

本文详细介绍了如何使用正则表达式从网页中提取表格内容，并将其转换为用逗号分隔的文本。通过设置不同的正则表达式匹配规则，可以灵活地处理各种表格结构。

用正则表达式提取网页上表格的内容

把提取到的内容转换成用逗号分隔的文本。

需要修改的就是第一行的 <table id=""t1"" 部分，根据表格定义的而不同。

let rx = new Regex(@"(?<=<table id=""t1""[^>]*?>)([\s\S]*?)(?=</table>)",RegexOptions.IgnoreCase|||RegexOptions.Singleline);;
let rxTR = new Regex(@"(?<=<tr>)([\s\S]*?)(?=</tr>)",RegexOptions.IgnoreCase|||RegexOptions.Singleline);;
let rxTD = new Regex(@"(?<=<td[^>]*>[\s]*?)([\S]*)(?=[\s]*?</td>)",RegexOptions.IgnoreCase|||RegexOptions.Singleline);;

let s4= [for i in rx.Matches(s : string) do
          let t0 = i.Groups.[1].Value
          yield //t0

            [for i in rxTR.Matches(t0 : string) do
              let t1 = i.Groups.[1].Value
              yield //t1
                [for i in rxTD.Matches(t1 : string) do
                  let t2 = i.Groups.[1].Value
                  yield t2
                ]

            ]
         ];;

let s5 = s4 |>Seq.iter(fun i -> i|>Seq.iter(fun i -> (String.Join(",",i))|> writeToFile "S4-4.txt" ))

标签

#正则表达式 #regex #string #table #fun