使用Regex從多行HTML中提取文本

Question

我正在嘗試從HTML文件中提取一些文本。

這是使我頭痛的部分示例：

<TD>
      Adresa instalacije:
  </TD>
  <TD COLSPAN=2>

    <TABLE border=0 cellpadding=3 cellspacing="1" bgcolor="#AAAA77" width="100%">
      <TR bgcolor="#FFFFCC">
        <TD COLSPAN=2><B>SOME TEXT</B></TD>
      </TR>
      <TR bgcolor="#FFFFCC">
        <TD>ADM &#353;ifra: </TD>
        <TD><B>914122</B></TD>
      </TR>
    </TABLE>
  </TD>

我要提取的部分介於

 <TD COLSPAN=2><B> </B></TD>

這是我的正則表達式：

var regexAdresa = @"<TD>Adresa korisnika:</TD><TD COLSPAN=2>";
regexAdresa += @"<TABLE border=0 cellpadding=3 cellspacing=""1"" bgcolor=""#AAAA77"" width=""100%"">";
 regexAdresa += @"<TR bgcolor=""#FFFFCC"">";
 regexAdresa += @"<TD><B>(.*?)</B></TD>";
 regexAdresa += @"</TR></TABLE></TD>";

var r0 = new Regex(regexAdresa);
var rr0 = r0.Match(text);
var res0 = rr0.Groups[1].ToString();

我的結果始終是resturs0。我做錯什么了嗎？

Answer 1

我將使用PhantomJS，它對用戶是不可見的，並且它解析整個DOM，從而使您可以通過Selenium訪問。 要訪問<TD COLSPAN=2><B> </B></TD>.

var text = driver.findElement(By.CssSelector("td.colspan=2" b)).Text;

警告代碼未經測試，僅作為示例提供。

有關在Selenium中使用By定位器的更多信息，請單擊此處 。

Answer 2

感謝所有人，尤其是@ArghyaC。

我嘗試了一些東西，現在滿足了我的需求。 也許不是最好的解決方案，但它可以工作：

var regexAdresa = @"<TD (COLSPAN=[1-9]+)?><B>[^<>]+<\/B><\/TD>";
Regex g = new Regex(regexAdresa);
Match m = g.Match(text);
if (m.Success)
   {
       MessageBox.Show(m.ToString());
       MessageBox.Show(Regex.Replace(m.ToString(), "<.*?>", String.Empty));                
    }

我得到的行是我想要的文本，在第二步中使用正則表達式刪除了HTML標簽。