作者fantasywater (菸酒生)
看板RegExp
标题抓RSS的时间
时间Sun Nov 30 20:38:24 2008
我用java写的,请问一下
我要抓GOOGLE的RSS,
里面有一行 <atom:updated>2008-11-30T10:55:28Z</atom:updated>
为什麽我pattern这样写抓不到东西呢? <atom:updated>.*?</atom:updated>
第二个问题
我写了一个pattern条件式 <(p|span)>.*?</\\1>
可以抓<p>..</p> <span>..</span>
那如果我要多抓一个这样的东西 <div id="news" ..>..</div>
有办法和 <(p|span)>.*?</\\1> 这个式子合并一起写吗?
我的疑问在於这样写的话 <(p|span|div id="news")>.*?</\\1>
後面的\\1会抓到整个div id="news",没办法让他等於div,
不知道有没有方法能够把这几个条件并成一个式子写?
--
※ 发信站: 批踢踢实业坊(ptt.cc)
◆ From: 140.112.57.7
※ 编辑: fantasywater 来自: 140.112.57.7 (11/30 20:39)
1F：推 EragonJ:第二个 你可以改成这样 <(p|span|div).*>(.*?)</\1> 11/30 21:20
2F：→ EragonJ:虽然也会抓到 <p xxxx>..</p> 之类的东西 11/30 21:21
3F：→ EragonJ:但是不知道你的情况怎样 所以就先试试看吧 11/30 21:21
4F：→ EragonJ:而第一个的写法是对的 但是这仅供"判断而已" 11/30 21:22
5F：→ EragonJ:你还要加上()括弧 去capture!! 改成<xxx>(.*?)<xxx>这样 11/30 21:23
6F：→ fantasywater:感谢回答:) 2.的div id="news"必须整串写死不能代换 11/30 21:59
7F：→ fantasywater:<(p|span)( .*?)?>.*?</?\\1> 其实原式是这样子的 11/30 22:00
8F：→ fantasywater:1的话还是不行耶 我是这样写的: 11/30 22:02
9F：→ fantasywater:Matcher dateMat = datePat.matcher(xmlFile); 11/30 22:04
10F：→ fantasywater:datePat就是你说的那行 11/30 22:04
11F：→ fantasywater:if(dateMat.find()) 然後进不去funtion,没找到 @_@" 11/30 22:05
12F：推 EragonJ:我不知道你回覆的2 想表示什麽@@" 11/30 22:23
13F：→ EragonJ:而1的话 我测是可以的 不知道你是用什麽语言写的? 11/30 22:23
14F：→ fantasywater:2想表达的是众多div tag我只要抓id="news"的 後续还 11/30 22:34
15F：→ fantasywater:要处理抓到的内容,所以要避免杂讯,不然很多网页都有 11/30 22:35
16F：→ fantasywater:有DIV标签,後续处理的部分就会变得很多很多@_@" 11/30 22:36
17F：→ fantasywater:1的话我是在eclipseIDE环境下用java写的 11/30 22:38
18F：推 EragonJ:<(p|span|(div) id="news")>(.*?)</(?:\1|\2)> 改成这样 11/30 22:55
19F：→ EragonJ:1的效果就可以达成了! 11/30 22:55
20F：推 EragonJ:Java我不熟 xd 抱歉啦~ 不过那个应该不可能不行才对... 11/30 23:01
21F：→ EragonJ:可能是什麽函式用错吧xD? 还是有打错字之类的 我不知道 哈 11/30 23:02
22F：→ EragonJ:等等 我问一下 两个tag之间有换行吗? 11/30 23:02
23F：→ fantasywater:先讨论2好了,我有想过您建议的写法,但是那可能会拿到 12/01 01:06
24F：→ fantasywater:<p>..</div> or <span>..</div>我要再实验看看@@" 12/01 01:07
25F：→ fantasywater:至於1的话,我刚刚发现我JAVA吃进来的XML档案和使用 12/01 01:08
26F：→ fantasywater:另存新档得到的结果不一样,也就是说原本的XML档可能 12/01 01:08
27F：→ fantasywater:不具有<atom:updated>..</atom:updated>,这行有可能 12/01 01:09
28F：→ fantasywater:是一些万布的样式表作用而加上去的,所以可能抓不到@@ 12/01 01:10
29F：→ fantasywater:我猜啦XD,因为我抓<title>..</title>是有东西的!! 12/01 01:11
30F：→ fantasywater:万布改成外部 打错字了~ 12/01 01:12
31F：→ fantasywater:刚试了一下,2的效果不错,没遇到太多例外,不过还要多 12/01 01:34
32F：→ fantasywater:试几个网页才知道~ 12/01 01:35
33F：推 EragonJ:你上面讲的问题应该是不会发生 前提是在以标准为前提建构 12/01 14:58
34F：→ EragonJ:的RSS 因为都是<x> <q>...</q> </x> 由外到内这样包起来 12/01 14:59
35F：→ EragonJ:而你上面有用贪婪的方式去抓(.*?) 所以就会避免你讲的情况 12/01 14:59
36F：→ EragonJ:前提很重要 不过我看大部分的RSS都写的中规中矩的 应该 12/01 15:00
37F：→ EragonJ:不会有问题发生才对xd~ 12/01 15:00
38F：推 EragonJ:要记得加m 这个参数喔 可以让. 去 match new line这个char 12/01 15:47
39F：→ EragonJ:我觉得有可能是因为有换行的关系啦~ 试试看! 12/01 15:47