基于正則表達式的HTML信息提取

文章編號 ：1003—5850(2012)04·0044—03

基于正則表達式的HTML信息提取

李文華，楊亞仿 ，吳 昊

(長江大學計算機科學學院，湖北 荊州 434023)

摘 要：在實際應用中經常需要分析Web頁面的源代碼，對HTML標記進行分析提取有用的數據。研究了如何利用正則表達

式獲取常見的HTML標記內容 ，實現了對 HTML信息的定制提取，并以如何抓取一個學生成績表的數據信息為例介紹了其實現

過程 。

關鍵詞：正則表達式，HTML，信息提取

中圖分類號：TP311 文獻標識碼：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

如何從Web頁面定制提取數據是當前信息研究

的熱點之一。大部分的Web頁面內容由HTML標記 1 正則表達式

組成 ，少數 web頁面基于XML標記。無論基于哪一

正則表達式是用來進行文本匹配的工具 。通配符

種標記 ，Web頁面 內容都遵循一定的標記規則和模

就是最簡單的正則表達式 ，只不過比起通配符，它能更

式。很多學者已經研究了各種各樣的網頁信息抽取包

精確地描述文本匹配的模式。如復雜用戶名檢測、密碼

裝器[ ，這些包裝器能分析指定的Web頁面。通過其

復雜度判斷以及郵箱名等，它廣泛應用在處理各種復

白定義的算法生成并存儲抽取規則供應用程序使用，

雜字符串規則的程序中。

但包裝器生成的規則總不能盡如人意，需要加以改進 ，

正則表達式是由普通字符和特殊字符 (稱為元字

而且這些規則并不是適合每一種程序開發語言。

符)組成的文字模式。普通字符包括單詞字符a-z，數字

正則表達式(regularexpression)描述 了一種字符

0-9，底劃線正則表達式作為一個模板 ，將某個字符模

串匹配的模式，可以用來檢查一個串是否含有某種子

式與所搜索的字符串進行匹配。本文中用到的元字符

串、將匹配的子串做替換或者從某個串中取出符合某

如下頁表 1C。．5]所示 。

個條件的子串等 。它非常適合用于查找、匹配

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的正则表达式与html信息提取,基于正则表达式的HTML信息提取.pdf的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。