c#正则表达式分组取值

注:采集专用

就速度而言,当然是正则表达式最快,最高效了,下面谈谈如何用正则表达式分组来实现采集

先分析下正则取值相比非正则取值来说,他的优势在哪

这次的例子稍微弄复杂点

  <tr>
    <td class="odd"><a href="https://files.cnblogs.com/article/info/96/96231.htm">地皇传说</a></td>
    <td class="even"><a href="https://files.cnblogs.com/article/html/96/96231/index.shtml" target="_blank">孤心情劫 第一百零四章 孤心之心</a></td>
    <td class="odd">孤独漂流</td>
    <td class="even">449K</td>
    <td class="odd" align="center">07-09-16</td>
    <td class="even" align="center">连载</td>
  </tr>
  <tr>
    <td class="odd"><a href="https://files.cnblogs.com/article/info/95/95119.htm">符箓惊神</a></td>
    <td class="even"><a href="https://files.cnblogs.com/article/html/95/95119/index.shtml" target="_blank">第一卷 第一百章 多重幻境</a></td>
    <td class="odd">不锈</td>
    <td class="even">463K</td>
    <td class="odd" align="center">07-09-16</td>
    <td class="even" align="center">连载</td>
  </tr>

如果按先前写的非正则表达式函数来取值的话,很明显就会出错,假如我想把里面的"孤独漂流"取出来,那一定是这

样GetKeyValue(HtmlCode,"<td class=\"odd\">","</td>",1) ,函数里"1"这个值就大错特错了,因为上面也有个类似

的,取1的话就会把"<a href="https://files.cnblogs.com/article/html/96/96231/index.shtml" target="_blank">孤心情劫 第一百零四章

孤心之心</a>"取出来,如果函数是GetKeyValue(HtmlCode,"<td class=\"odd\">","</td>",2),参数值是2的话才能取

得到自己想要的,也就是说,还要在函数内部加判断才行,但如果下次再遇到另外的矛盾呢?函数又要重写了,这样就

太麻烦了.

如果用正则表达式分组来取值的话,就不会出现上面所说的问题,函数可以一直用一个,需要改的只是正则表达式.

正则表达式函数如下

        /// <summary>
        /// 正则表达式取值
        /// </summary>
        /// <param name="HtmlCode">源码</param>
        /// <param name="RegexString">正则表达式</param>
        /// <param name="GroupKey">正则表达式分组关键字</param>
        /// <param name="RightToLeft">是否从右到左</param>
        /// <returns></returns>
        public string[] GetRegValue(string HtmlCode , string RegexString,string GroupKey,bool RightToLeft)
        {
            MatchCollection m;
            Regex r;
            if (RightToLeft == true)
            {
                r = new Regex(RegexString, RegexOptions.IgnoreCase | RegexOptions.Singleline | RegexOptions.RightToLeft);
            }
            else
            {
                r = new Regex(RegexString, RegexOptions.IgnoreCase | RegexOptions.Singleline);
            }
            m= r.Matches(HtmlCode);
            string[] MatchValue = new string[m.Count];
            for (int i = 0; i < m.Count; i++)
            {
                MatchValue[i] = m[i].Groups[GroupKey].Value;
            }
            return MatchValue;
        }


现在,要想取"孤独漂流",只需改正则表达式了

string RegexString = "<td class=\"odd\">(?<Title>[^<].*?)</td>";

string[] title = GetRegValue(HtmlCode, RegexString, "Title", true);

title[0]的值就是"孤独漂流",title[1]的值是"不锈"

最后再举个例子,假如我想取"<a href="https://files.cnblogs.com/article/html/96/96231/index.shtml" target="_blank">孤心情劫 第一

百零四章 孤心之心</a>"里的网址和标题.

string RegexString = "<a href=\"(?<Url>.*?)\" target=\"_blank\">(?<Title>[^<].*?)</a>";

string[] url = GetRegValue(HtmlCode, RegexString, "Url",  true);

string[] title = GetRegValue(HtmlCode, RegexString, "Title", true);

url[0]的值是"/files/article/html/96/96231/index.shtml",url[1]的值是"/files/article/html/95/95119/index.shtml"

title[0]的值是"孤心情劫 第一百零四章 孤心之心",title[1]的值是"第一卷 第一百章 多重幻境"


本文来自CSDN博客,转载请标明出处:http://blog.csdn.net/bingqimao/archive/2007/09/18/1789777.aspx

posted @ 2009-07-04 02:00  scgw  阅读(4511)  评论(0编辑  收藏  举报