第二贴:提取QQ微博网页指定文字,正则!???????????

.Net技术 码拜 6年前 (2015-05-10) 286次浏览 0个评论
 

小弟做了一个小程序,要提取QQ微博信息放到一个textbox里,用的是webbrowser控件,网页的源代码已经下下来了,就是不知道该怎么提取了,以下是登录后的QQ微博部分网页源码:

 

 <ul id=”talkList” class=”LC”><li id=”69539117636491″ rel=”1312962788″ > <div class=”userPic”><a href=”http://t.qq.com/szw520yun” title=”孙志炜(@szw520yun)”><img src=”http://mat1.gtimg.com/www/mb/images/head_50.jpg”/></a></div><div class=”msgBox”><div class=”userName” rel=”szw520yun”><strong><a href=”http://t.qq.com/szw520yun” title=”孙志炜(@szw520yun)”>孙志炜</a><b class=”ico_phone” title=”手机微博”></b>:</strong></div><div class=”msgCnt”>提取网页文字咋这么男</div><div class=”pubInfo”> <span class=”left”> <a class=”time” target=”_blank” href=”http://t.qq.com/p/t/69539117636491″ from=”2″>昨天 15:53</a> <a href=”http://t.qq.com/client.php?t=sms” class=”f” target=”_blank”>来自短信</a> </span><div class=”funBox”><a href=”#” class=”relay” num=”0″>转播</a><span>|</span><a href=”/p/t/69539117636491″ class=”comt” num=”0″>评论</a><span>|</span><div class=”mFun”><a href=”#”>更多<em class=”btn_ldrop”></em></a><div class=”mFunDrop”><b></b><b class=”mask”></b><p><a href=”#” class=”delBtn”>删除</a></p><p><a href=”#” class=”fav”>收藏</a></p><div class=”shareBtn”><p><a href=”#”>分享</a></p></div><p><a href=”http://t.qq.com/p/t/69539117636491″ class=”detail” target=”_blank”>详情</a></p></div></div></div></div> </div></li><li id=”19142128390414″ rel=”1312962369″ > <div class=”userPic”><a href=”http://t.qq.com/szw520yun” title=”孙志炜(@szw520yun)”><img src=”http://mat1.gtimg.com/www/mb/images/head_50.jpg”/></a></div><div class=”msgBox”><div class=”userName” rel=”szw520yun”><strong><a href=”http://t.qq.com/szw520yun” title=”孙志炜(@szw520yun)”>孙志炜</a>:</strong></div><div class=”msgCnt”>提取QQ微博信息</div><div class=”pubInfo”> <span class=”left”> <a class=”time” target=”_blank” href=”http://t.qq.com/p/t/19142128390414″ from=”3″>昨天 15:46</a> <a href=”http://t.qq.com” class=”f” target=”_blank”>来自腾讯微博</a> </span><div class=”funBox”><a href=”#” class=”relay” num=”0″>转播</a><span>|</span><a href=”/p/t/19142128390414″ class=”comt” num=”0″>评论</a><span>|</span><div class=”mFun”><a href=”#”>更多<em class=”btn_ldrop”></em></a><div class=”mFunDrop”><b></b><b class=”mask”></b><p><a href=”#” class=”delBtn”>删除</a></p><p><a href=”#” class=”fav”>收藏</a></p><div class=”shareBtn”><p><a href=”#”>分享</a></p></div><p><a href=”http://t.qq.com/p/t/19142128390414″ class=”detail” target=”_blank”>详情</a></p></div></div></div></div> </div></li><li id=”70539117104187″ rel=”1312960577″ > <div class=”userPic”><a href=”http://t.qq.com/szw520yun” title=”孙志炜(@szw520yun)”><img src=”http://mat1.gtimg.com/www/mb/images/head_50.jpg”/></a></div><div class=”msgBox”><div class=”userName” rel=”szw520yun”><strong><a href=”http://t.qq.com/szw520yun” title=”孙志炜(@szw520yun)”>孙志炜</a>:</strong></div><div class=”msgCnt”>测试第二下2</div><div class=”pubInfo”> <span class=”left”> <a class=”time” target=”_blank” href=”http://t.qq.com/p/t/70539117104187″ from=”3″>昨天 

我想在里面提取”提取网页文字咋这么男”,请高手们帮帮忙,怎么提取出来,正则我老是写错。。。。

我主要是提取手机微博发表的信息,也就是说这个信息是变化的,每次我用手机发表后后面总会跟着一个“刚刚”,如果过上几分钟,“刚刚”就会变成“几分钟之前”发表了什么,就像这样:

 

title=”孙志炜(@szw520yun)”>孙志炜</a>:</strong></div><div class=”msgCnt”>提取好难过啊</div><div class=”pubInfo”> <span class=”left”> <a class=”time” target=”_blank” href=”http://t.qq.com/p/t/50553073201528″ from=”3″>刚刚</a> <a href=”http://t.qq.com” class=”f” target=”_blank”>来自腾讯微博</a> ,能不能每次提取时判断是不是“刚刚”就提取后面有“刚刚”的文字内容呢???

            string str = File.ReadAllText(@"E:\t.txt", Encoding.GetEncoding("gb2312"));
            Regex reg = new Regex(@"(?<=<div[^>]*?class=""msgCnt"">)((?:(?!</?div).)*)</div>.*?<a[^>]*?>\s*刚刚.*?</a>");
            Console.WriteLine(reg.Match(str).Groups[1].Value);
引用 1 楼 huangwenquan123 的回复:

C# code
            string str = File.ReadAllText(@”E:\t.txt”, Encoding.GetEncoding(“gb2312″));
            Regex reg = new Regex(@”(?<=<div[^>]*?class=””msgCnt””>)((?:(?!</?div).)*)</div>.*?<a[^>]*……

嘿嘿,大哥,我连续三个问题都是你给我解答的,这次也100%正确了,我用手机发表了:“如果成功”,真的提取出来了,提取效果:如果成功</div><div class=”pubInfo”>      <span class=”left”>        <a class=”time” target=”_blank” href=”http://t.qq.com/p/t/13143067912704″ from=”2″>刚刚</a>  ,大哥,能把中间的那部分去除吗,尽量少点就行,不用全都去除。。。?

引用 2 楼 sunzh1wei 的回复:

引用 1 楼 huangwenquan123 的回复:

C# code
string str = File.ReadAllText(@”E:\t.txt”, Encoding.GetEncoding(“gb2312″));
Regex reg = new Regex(@”(?<=<div[^>]*?class=””msgCnt””>)((?:(?!</?div).)*)</div>.*?……

你用这个取的话应该是不会有中间那一段的
 Console.WriteLine(reg.Match(str).Groups[1].Value);
<div class=”msgCnt”>提取网页文字咋这么男</div>
提取的是<div>中间那部分的
你怎么取的?

昨天刚把类似的程序做完,是一个猫扑回复的邮箱提取器。
感谢huangwenquan123热心的回答。
LS,一起学习吧
请教huangwenquan123
最后一个问题了。假设我要提取某个网页总有多少页数
网站的源码我提取出来了。
我要获得这段链接中的276这个数字,怎么办?href=””/bxmp/20110418/276/O3S877I262ea0dFO.shtml””>
<!– baidu_tc block_begin: {“type”:”PAGE_TURNING”, “action”:”SHOW”} –>
<div class=”page”>
<div class=”inner”><a class=””on””>1</a><a href=””/bxmp/20110418/1/O3S877I262ea0dFO.shtml””>2</a><a href=””/bxmp/20110418/2/O3S877I262ea0dFO.shtml””>3</a><a href=””/bxmp/20110418/3/O3S877I262ea0dFO.shtml””>4</a><a href=””/bxmp/20110418/4/O3S877I262ea0dFO.shtml””>5</a><a href=””/bxmp/20110418/5/O3S877I262ea0dFO.shtml””>6</a><a href=””/bxmp/20110418/6/O3S877I262ea0dFO.shtml””>7</a><a href=””/bxmp/20110418/7/O3S877I262ea0dFO.shtml””>8</a><a href=””/bxmp/20110418/8/O3S877I262ea0dFO.shtml””>9</a><a href=””/bxmp/20110418/9/O3S877I262ea0dFO.shtml””>10</a><a class=””endgray”” href=””/bxmp/20110418/276/O3S877I262ea0dFO.shtml””>尾页</a><a class=””end”” href=””/bxmp/20110418/1/O3S877I262ea0dFO.shtml””>下一页&gt;&gt;</a></div>
</div>
<!– baidu_tc block_end –>
提取出来的源码。
现在我想要获得这个链接中276这个数字
href=””/bxmp/20110418/[color=#FF00FF]276/O3S877I262ea0dFO.shtml””[/color]

<!-- baidu_tc block_begin: {"type":"PAGE_TURNING", "action":"SHOW"} -->
<div class="page">
<div class="inner"><a class=""on"">1</a><a
href=""/bxmp/20110418/1/O3S877I262ea0dFO.shtml"">2</a><a href=""/bxmp/20110418/2/O3S877I262ea0dFO.shtml"">3</a><a href=""/bxmp/20110418/3/O3S877I262ea0dFO.shtml"">4</a><a href=""/bxmp/20110418/4/O3S877I262ea0dFO.shtml"">5</a><a href=""/bxmp/20110418/5/O3S877I262ea0dFO.shtml"">6</a><a href=""/bxmp/20110418/6/O3S877I262ea0dFO.shtml"">7</a><a href=""/bxmp/20110418/7/O3S877I262ea0dFO.shtml"">8</a><a href=""/bxmp/20110418/8/O3S877I262ea0dFO.shtml"">9</a><a href=""/bxmp/20110418/9/O3S877I262ea0dFO.shtml"">10</a><a class=""endgray"" href=""/bxmp/20110418/276/O3S877I262ea0dFO.shtml"">尾页</a><a class=""end"" href=""/bxmp/20110418/1/O3S877I262ea0dFO.shtml"">下一页&gt;&gt;</a></div>
</div>
<!-- baidu_tc block_end -->
引用 3 楼 huangwenquan123 的回复:

引用 2 楼 sunzh1wei 的回复:
引用 1 楼 huangwenquan123 的回复:

C# code
string str = File.ReadAllText(@”E:\t.txt”, Encoding.GetEncoding(“gb2312″));
Regex reg = new Regex(@”(?<=<div[^>]*?class=””msgCnt””>)((?……

这是我的源码:

 

System.IO.StreamReader getReader = new System.IO.StreamReader(this.webBrowser1.DocumentStream, System.Text.Encoding.GetEncoding(“utf-8″));
            textBox2.Text= getReader.ReadToEnd();
            Regex reg = new Regex(@”(?<=<div[^>]*?class=””msgCnt””>)((?:(?!</?div).)*)</div>.*?<a[^>]*?>\s*刚刚.*?</a>”);
            foreach (Match m in reg.Matches(textBox2.Text))
                textBox1.Text= m.Value;

引用 6 楼 wang466791739 的回复:

提取出来的源码。
现在我想要获得这个链接中276这个数字
href=””/bxmp/20110418/276/O3S877I262ea0dFO.shtml””

HTML code
<!– baidu_tc block_begin: {“type”:”PAGE_TURNING”, “action”:”SHOW”} –>
<div class……

            string str = File.ReadAllText(@"F:\txt.txt", Encoding.GetEncoding("gb2312"));
            Regex reg = new Regex(@"(?is)(?<=<div[^>]*?class=""inner""[^>]*?>(?:(?!</?div).)*)<a[^>]*?href=([""""\s]?)[^""""\s]+/(\d+)/[^\.]+?\.shtml\1[^>]*?>\s*尾页\s*</a>");
            Console.WriteLine(reg.Match(str).Groups[2].Value);
            Console.ReadLine();
//276
20分
引用 7 楼 sunzh1wei 的回复:

System.IO.StreamReader getReader = new System.IO.StreamReader(this.webBrowser1.DocumentStream, System.Text.Encoding.GetEncoding(“utf-8″));
  textBox2.Text= getReader.ReadToEnd();
  Regex reg = new Regex(@”(?<=<div[^>]*?class=””msgCnt””>)((?:(?!</?div).)*)</div>.*?<a[^>]*?>\s*刚刚.*?</a>”);
  foreach (Match m in reg.Matches(textBox2.Text))
  textBox1.Text= m.Value;

取的时候用
reg.Match(str).Groups[1].Value组1取,不要直接m.value

引用 9 楼 huangwenquan123 的回复:

引用 7 楼 sunzh1wei 的回复:
System.IO.StreamReader getReader = new System.IO.StreamReader(this.webBrowser1.DocumentStream, System.Text.Encoding.GetEncoding(“utf-8”));
textBox2.Text= getReader.ReadToEnd()……

嗯嗯,谢谢大哥,我去试试


CodeBye 版权所有丨如未注明 , 均为原创丨本网站采用BY-NC-SA协议进行授权 , 转载请注明第二贴:提取QQ微博网页指定文字,正则!???????????
喜欢 (0)
[1034331897@qq.com]
分享 (0)

文章评论已关闭!