C++ 使用c++/boost:：regex

我有一系列数千个HTML文件，为了运行词频计数器，我只对每个文件的特定部分感兴趣。例如，假设以下内容是其中一个文件的一部分：

<!-- Lots of HTML code up here -->
<div class="preview_content clearfix module_panel">
      <div class="textelement   "><div><div><p><em>"Portion of interest"</em></p></div>
</div>
<!-- Lots of HTML code down here -->

“利息部分”

我应该如何在C++中使用正则表达式（Boosi::ReGEX）来提取示例中突出显示的文本的特定部分，并将其放入单独的字符串？

目前，我有一些代码可以打开html文件并将整个内容读入单个字符串，但当我尝试运行

boost:：regex_match

查找行的特定开头时，我没有得到任何匹配。我对任何建议开放，只要它是在C++上。

我应该如何在C++中使用正则表达式（Boosi::ReGEX）来提取示例中突出显示的文本的特定部分，并将其放入单独的字符串？

你没有

永远不要使用正则表达式来处理HTML。无论是在C++中使用Boosix.ReEX，在Perl、Python、JavaScript、任何地方都可以。HTML不是一种常规语言；因此，它不能通过正则表达式以任何有意义的方式进行处理。哦，在极为有限的情况下，您可能可以让它提取一些特定的信息。但一旦这些情况发生变化，你就会发现自己无法完成你需要完成的事情

---

我建议使用实际的HTML解析器，比如（它确实能够读取HTML4）。但是使用regex解析HTML只是使用了错误的工具。

因为我所需要的只是一些非常简单的东西（根据上面的问题），所以我能够在不使用regex或任何类型的解析的情况下完成它。以下是实现此技巧的代码片段：

    // Read HTML file into string variable str
    std::ifstream t("/path/inputFile.html");
    std::string str((std::istreambuf_iterator<char>(t)), std::istreambuf_iterator<char>());

    // Find the two "flags" that enclose the content I'm trying to extract
    size_t pos1 = str.find("<div class=\"preview_content clearfix module_panel\">");
    size_t pos2 = str.find("</em></p></div>");

    // Get that content and store into new string
    std::string buf = str.substr(pos1,pos2-pos1);

//将HTML文件读入字符串变量str
std:：ifstream t（“/path/inputFile.html”）；
std:：string str（（std:：istreambuf_迭代器（t）），std:：istreambuf_迭代器（）；
//找到包含我试图提取的内容的两个“标志”
大小\u t pos1=str.find（“”）；
大小\u t pos2=str.find（“
”）；
//获取该内容并存储到新字符串中
std:：string buf=str.substr（pos1，pos2-pos1）；

---

谢谢你指出我完全走错了方向。

强制性参考：是的，在读了更多的书之后，我现在发现在处理html时使用正则表达式似乎不是个好主意。谢谢你指出这一点。考虑到这是我唯一想做的事情（即获取特定标签的内容），您建议我使用什么？我一直在四处寻找，但我遇到的大多数事情似乎都有点过头了。