结果与perl正则表达式混合，匹配html代码中的短语列表

结果与正则表达式混合，匹配html代码中的短语列表

这篇新帖子是对另一篇帖子的回应，但由于我不知道的原因，被版主删除了。对我来说，在原始线程中提出这个问题似乎是合乎逻辑的，因为它与尝试使用该线程早期给出的解决方案以及它的问题有关。有一个一般性的参考，似乎没有揭示任何差异，以及信息，“如果你有问题，请发表你自己的问题。”因此这篇文章

我使用LWP:：Simple获取网页，然后尝试匹配包含特定短语的行。我在上面提到的线程中复制了regex，并替换/添加了我需要匹配的单词，但是我得到了两个相似但不同的网页的混合结果

我使用的正则表达式是：

/^(?=.*?\bYear\b)(?=.*?\bNew Moon\b)(?=.*?\bFirst Quarter\b)(?=.*?\bFull Moon\b)(?=.*?\bLast Quarter\b).*$/gim

对于web站点#1，它有包含这些单词的空行，在一系列由

 Year        New Moon       First Quarter       Full Moon       Last Quarter

但对于网站#2来说，它的文字周围有令人讨厌的小标签：

Year        New Moon       First Quarter       Full Moon       Last Quarter



年新月第一季满月最后一季Δ；T


每一行都匹配

我确信
标记是实现这一点的“正确”方法，但我想知道如何绕过这些标记，以便两个站点都只需要一个正则表达式。有没有一个简单的方法可以做到这一点，或者我必须学习如何解析html（我不想做的事情）

我在寻找一个快速的解决方案，而不是一个稳健的解决方案。这可能只是一次交易。如果这些相对静态的页面发生更改，那么它可能会很小，并且很容易修复。请不要让我参考所有的“html反正则表达式”页面。我见过。请不要让我使用HTML:：TreeBuilder。哦，请……
如果我的假设是正确的，您只想匹配特定的单词序列：

<[^>]*?>

具有自由间距，与末端的标记无关

我们可以使用它来匹配任意一端的任何正确格式的开始和结束标记

\s*<[^>]*?>\s*

]*？>

也就是说，任何位于开口“”之间的字符串

接下来，我们要确保在这些标记之间允许有空格，因此我们使用空格指示符“\s*”表示两端的零个或多个空格：

(?:\s*<[^>]*?>\s*)*

\s*]*？>\s*

接下来，我们要将它分组到一个非捕获（为了效率）组中，并让它重复零次或更多次。这是我们将放在正则表达式两端以确保标记匹配的内容：

(?:\s*<[^>]*?>\s*)*\s*Year\s*New Moon\s*First Quarter\s*Full Moon\s*Last Quarter\s*(?:\s*<[^>]*?>\s*)*

（？：\s*]*？>\s*）*

然后，我们将在短语之间使用“\s*”填充所需的文本，以确保它们之间留有空格且仅允许空格：

/^(?:\s*<[^>]*?>\s*)*\s*Year\s*New Moon\s*First Quarter\s*Full Moon\s*Last Quarter\s*(?:\s*<[^>]*?>\s*)*$/gim

（？：\s*]*？>\s*）*\s*年\s*新月\s*第一季度\s*满月\s*最后一季度\s*（？：\s*]*？>\s*）*

然后用线的起点和终点线标记结束

for my $line (split qr/\R/, $doc)
{
    next unless $line =~ /^(?=.*?\bYear\b)(?=.*?\bNew Moon\b)(?=.*?\bFirst Quarter\b)(?=.*?\bFull Moon\b)(?=.*?\bLast Quarter\b).*$/gim; # original
    print "$line\n";
}

/^（？：\s*]*？>\s*）*\s*年\s*新月\s*第一季度\s*满月\s*最后一季度\s*（？：\s*]*？>\s*）*）*$/gim

这应该匹配在所需短语任一端包含任意数量标记的任何行，但如果输入其他任何内容（如附加字符），则不匹配。它也应该是相当有效的，因为它不使用任何环视。如果我误解了这个问题，请告诉我。
我最终通过直接循环检索到的html文档，使用原始正则表达式实现了这两个URL的工作：

my $tree = HTML::TreeBuilder->new;
$tree->parse_file($doc);
my $non_html = $tree->as_text();
open FILE, "<", \$non_html or die "can't open $non_html: $!\n";

这真的不应该这么难
 杰克：

嘿，非常感谢。你就是我要找的人。我尝试了它，它与第一个url一起工作，但第二个url没有输出任何内容

使用我原来的正则表达式，我还尝试使用html:：TreeBuilder剥离html标记：

my $hs = HTML::Strip->new();
my $clean_text = $hs->parse($doc);
$hs->eof;
open FILE, "<", \$clean_text or die "can't open $clean_text: $!\n";

my$tree=HTML:：TreeBuilder->new；
$tree->parse_文件（$doc）；
我的$non_html=$tree->as_text（）；
打开文件，“强制性相互参照。你试过使用XML解析器吗？是的，这正是我在文章末尾提到的帖子。我觉得这篇咆哮/宣言真的很有趣，但对我来说没什么帮助。不过我还是从中得到了很多笑声。我确实提到我不想尝试使用HTML:：TreeBuilder。不，不，求你了！这是一个perl问题，而不是python问题。我相信这很好，但perl却不行。无论如何都不容易。我试图更改标题，以便不阅读文章第一行的人不会产生歧义，但我不被允许。：）很抱歉，我没有抓到（或误读）perl标记。@MikeM:这正是您所期望的，但事实远非如此。请自行查看：。我正在使用的循环：
while（）{下一个除非/^（？=.*\bYear\b）（？=.*\bNew Moon\b）（？=.*\bFirst Quarter\b）（？=.*\bFull Moon\b）（？=.*\bLast Quarter\b）。*$/gim；print；}
my $hs = HTML::Strip->new();
my $clean_text = $hs->parse($doc);
$hs->eof;
open FILE, "<", \$clean_text or die "can't open $clean_text: $!\n";

use strict;
use warnings;
use LWP::Simple;

my $url = 'http://eclipse.gsfc.nasa.gov/phase/phases2001.html';
#my $url = 'http://www.astropixels.com/ephemeris/moon/phases2001gmt.html';
my $doc = get $url;
die "Couldn't get $url" unless defined $doc;
open FILE, "<", \$doc or die "can't open $doc: $!\n";

while(my $line = <FILE>)
{
    #next unless $line =~ /^(?=.*?\bYear\b)(?=.*?\bNew Moon\b)(?=.*?\bFirst Quarter\b)(?=.*?\bFull Moon\b)(?=.*?\bLast Quarter\b).*$/gim; # original
    next unless $line =~ /^(?:\s*<[^>]*?>\s*)*\s*Year\s*New Moon\s*First Quarter\s*Full Moon\s*Last Quarter\s*(?:\s*<[^>]*?>\s*)*$/gim; # Jake's
    print "$line";
}