使用正则表达式从HTML解析出内容？

如何使用regex查找div中具有特定样式的数据以外的所有内容？e、 g

<div style="float:left;padding-left:10px; padding-right:10px">
    <img src="../Style/BreadCrumbs/Divider.png">
</div>
<div style="float:left; padding-top:5px;">
    Data to keep
</div>
<div style="float:left;padding-left:10px; padding-right:10px">
    <img src="../Style/BreadCrumbs/Divider.png">
</div>

要保存的数据

我希望正则表达式匹配除数据之外的所有内容。我能看到的最好的方法就是删除html标记，然后用vb组合文件（我已经有了vb的代码）

---

我使用regex是因为我需要从几百个文件中提取数据

您建议的方法可能不是这样做的好方法。如果：

• 您可以访问

  grep

• 您的grep版本支持perl兼容的正则表达式（

  PCRE

  ）
• 这种样式的

  div

  只包装您的数据，不包装其他元素
• “数据”

  div

  不包含其他

  div

  s

然后您可以使用：

(?s)<div style="float:left; padding-top:5px;">.*?</div>

对于这些：

• -P

  激活

  PCRE

• -z

  将

  \n

  替换为

  NUL

  ，因此grep将整个文件视为一行

• -o

  仅打印匹配的零件

在这之后，你需要脱掉潜水衣

sed

是一个很好的工具

sed 's|</\?div[^>]*>||g'

sed's |]*>g'

如果将所有文件放在一个目录中，则可以同时进行连接：

grep -Pzo $PATTERN *.html | sed 's|</\?div[^>]*>||g' > out.html

grep-Pzo$PATTERN*.html | sed的|]*>| | g'>out.html

为什么您认为正则表达式是正确的工具？请提供一些html进行解析。忽略所有你将听到的关于不使用正则表达式解析html的废话，它完全适用于简单的情况；）如果你能对div的内容做出强有力的假设，你可以提取它，但你需要在这里指定这些假设，并附上一个例子。RegEx有什么特别的味道吗？@sas欢迎使用SO！在这里表示感谢的一种常见方式是向上投票，然后单击复选标记（如果这是最佳答案）接受

grep -Pzo $PATTERN *.html | sed 's|</\?div[^>]*>||g' > out.html