正则表达式与html信息提取,基于正则表达式的HTML信息提取.pdf

基于正则表达式的HTML信息提取

文章编号：1003—5850(2012)04·0044—03

基于正则表达式的HTML信息提取

李文华，杨亚仿，吴昊

(长江大学计算机科学学院，湖北荆州 434023)

摘要：在实际应用中经常需要分析Web页面的源代码，对HTML标记进行分析提取有用的数据。研究了如何利用正则表达

式获取常见的HTML标记内容，实现了对 HTML信息的定制提取，并以如何抓取一个学生成绩表的数据信息为例介绍了其实现

过程。

关键词：正则表达式，HTML，信息提取

中图分类号：TP311 文献标识码：A

TheHTM L Information Extraction Based on RegularExpressions

LIW en—hua，YANG Ya-fang，W uHao

(CollegeofComputerScience，YangtzeUniversity，Jingzhou434023，China)

Abstract：Under theactualapplication，we need to analyse source code ofweb and extractuseful

informationfrom htmltags．Thepaperresearchedhow togetcommonhtmltagcontentbyregularexpressions，

realized toextractcustom htmltag information，and took grabingastudentscoredataasan exampleto

illustratetheimplementationprocess．

Keywords：regularexpressions，HTM L，informationextraction

如何从Web页面定制提取数据是当前信息研究

的热点之一。大部分的Web页面内容由HTML标记 1 正则表达式

组成，少数 web页面基于XML标记。无论基于哪一

正则表达式是用来进行文本匹配的工具。通配符

种标记，Web页面内容都遵循一定的标记规则和模

就是最简单的正则表达式，只不过比起通配符，它能更

式。很多学者已经研究了各种各样的网页信息抽取包

精确地描述文本匹配的模式。如复杂用户名检测、密码

装器[ ，这些包装器能分析指定的Web页面。通过其

复杂度判断以及邮箱名等，它广泛应用在处理各种复

白定义的算法生成并存储抽取规则供应用程序使用，

杂字符串规则的程序中。

但包装器生成的规则总不能尽如人意，需要加以改进，

正则表达式是由普通字符和特殊字符 (称为元字

而且这些规则并不是适合每一种程序开发语言。

符)组成的文字模式。普通字符包括单词字符a-z，数字

正则表达式(regularexpression)描述了一种字符

0-9，底划线正则表达式作为一个模板，将某个字符模

串匹配的模式，可以用来检查一个串是否含有某种子

式与所搜索的字符串进行匹配。本文中用到的元字符

串、将匹配的子串做替换或者从某个串中取出符合某

如下页表 1C。．5]所示。

个条件的子串等。它非常适合用于查找、匹配

正则表达式与html信息提取,基于正则表达式的HTML信息提取.pdf相关推荐

java 文本查找_Java基于正则表达式实现查找匹配的文本功能【经典实例】
本文实例讲述了Java基于正则表达式实现查找匹配的文本功能.分享给大家供大家参考,具体如下: REMatch.java: package reMatch; import java.util.regex ...
Spring Aop（九）——基于正则表达式的Pointcut
基于正则表达式的Pointcut JdkRegexpMethodPointcut Spring官方为我们提供了一个基于正则表达式来匹配方法名的Pointcut,JdkRegexpMethodPoint ...
基于正则表达式(python)对东方财富网上证指数吧爬虫实例
这一周没有写博客,倒腾了好几天gitlab,白天一直在写爬虫,遇到了很多问题,一一解决了这个爬虫目的是从东方财富网的上证指数吧爬取一天的所有发帖 http://guba.eastmoney.co ...
python爬虫实战获取豆瓣排名前250的电影信息--基于正则表达式
一.项目目标爬取豆瓣TOP250电影的评分.评价人数.短评等信息,并在其保存在txt文件中,html解析方式基于正则表达式二.确定页面内容爬虫地址:https://movie.douban.co ...
java 正则表达式电话_Java读取文件及基于正则表达式的获取电话号码功能详解...
本文实例讲述了Java读取文件及基于正则表达式的获取电话号码功能.分享给大家供大家参考,具体如下: 1.正则表达式正则表达式,又称正规表示法 . 常规表示法 (英语:Regular Express ...
python 法律检索_Python基于正则表达式实现检查文件内容的方法【文件检索】
本文实例讲述了Python基于正则表达式实现检查文件内容的方法分享给大家供大家参考,具体如下: 这个是之前就在学python,欣赏python的小巧但是功能强大,是连电池都自带的语言.平时工作中用Ja ...
JAVA编写的基于正则表达式的SNL词法分析器
JAVA编写的基于正则表达式的SNL词法分析器主要思想是利用正则表达式将SNL代码依次分辨提取为TOKEN序列我先把我使用的例子举出来 program p type t1 = integer; v ...
基于正则表达式的词行词法分析|自然语言处理
目录 1.任务一:邮箱地址和网址提取 1.1任务描述 1.2代码 2.任务二:密码提取 2.1任务描述 2.2代码 1.任务一:邮箱地址和网址提取 1.1任务描述 ∙ \bullet ∙ 实现基于正则 ...
php 正则表达式文档,php的正则表达式完全手册
php的正则表达式完全手册更新时间:2011年02月06日 17:12:49 作者: 正则表达式是烦琐的,但是强大的,学会之后的应用会让你除了提高效率外,会给你带来绝对的成就感.只要认真去阅读这 ...

正则表达式与html信息提取,基于正则表达式的HTML信息提取.pdf

正则表达式与html信息提取,基于正则表达式的HTML信息提取.pdf相关推荐

最新文章

热门文章