[C#][固定格式网页解析]使用正则表达式处理网页的初步体会

用IE WebControl解析网页得到特定网页中的特定数据：

    Set oDocument = Form2.m_IE.Document
    Set oelement = oDocument.Forms("searchdetail")
   
    Set oListTableElement = oelement.children(0).children(0)

这样的好处是简单，但坏处是：如何读取以及节点值究竟是什么含意这些信息，不太好抽取出来放到外面，作为灵活配置的文件。

因为它属于一个Childnodes一个Childnodes这么遍历的，无法灵活设定深度以及含义。

 

又体验了一把正则表达式，专门处理了特定站点HTML，由于我要处理的页面中总包含某些的固定代码。

 

发现下面的式子可以把一系列值解析到一个又一个的MatchCollection中。

我用的是"The Regulator"工具，试验结果如下：

 

也就是Collection“hiddentonenames”总是XX名的集合，按序排列；

Collection“hiddenspnames”总是XX名的集合，按序排列；

以此类推。

 

在C#中，可以用如下代码得到各个集合的值：

foreach(Match match in matchCollection)

{

    Group groupToneNames = match.Groups["hiddentonenames"];

    Group groupSpNames = match.Groups["hiddenspnames"];

    Group groupSingers = match.Groups["hiddensingers"];

}

 

这样，我可以针对这各种门派的Portal风格写出专门的正则表达式，但让他们输出的Collections名字都是一样的，从而让获取 一个铃声的各个字段的代码固定下来。

以后更新，只需要修改各个门派的正则表达式即可。

 

另外非常感谢王辉的《Web页面爬行实践》精彩文章！

Trackback: http://tb.blog.csdn.net/TrackBack.aspx?PostId=107090