作者fantasywater (菸酒生)
看板RegExp
標題抓RSS的時間
時間Sun Nov 30 20:38:24 2008
我用java寫的,請問一下
我要抓GOOGLE的RSS,
裡面有一行 <atom:updated>2008-11-30T10:55:28Z</atom:updated>
為什麼我pattern這樣寫抓不到東西呢? <atom:updated>.*?</atom:updated>
第二個問題
我寫了一個pattern條件式 <(p|span)>.*?</\\1>
可以抓<p>..</p> <span>..</span>
那如果我要多抓一個這樣的東西 <div id="news" ..>..</div>
有辦法和 <(p|span)>.*?</\\1> 這個式子合併一起寫嗎?
我的疑問在於這樣寫的話 <(p|span|div id="news")>.*?</\\1>
後面的\\1會抓到整個div id="news",沒辦法讓他等於div,
不知道有沒有方法能夠把這幾個條件併成一個式子寫?
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 140.112.57.7
※ 編輯: fantasywater 來自: 140.112.57.7 (11/30 20:39)
1F：推 EragonJ:第二個 你可以改成這樣 <(p|span|div).*>(.*?)</\1> 11/30 21:20
2F：→ EragonJ:雖然也會抓到 <p xxxx>..</p> 之類的東西 11/30 21:21
3F：→ EragonJ:但是不知道你的情況怎樣 所以就先試試看吧 11/30 21:21
4F：→ EragonJ:而第一個的寫法是對的 但是這僅供"判斷而已" 11/30 21:22
5F：→ EragonJ:你還要加上()括弧 去capture!! 改成<xxx>(.*?)<xxx>這樣 11/30 21:23
6F：→ fantasywater:感謝回答:) 2.的div id="news"必須整串寫死不能代換 11/30 21:59
7F：→ fantasywater:<(p|span)( .*?)?>.*?</?\\1> 其實原式是這樣子的 11/30 22:00
8F：→ fantasywater:1的話還是不行耶 我是這樣寫的: 11/30 22:02
9F：→ fantasywater:Matcher dateMat = datePat.matcher(xmlFile); 11/30 22:04
10F：→ fantasywater:datePat就是你說的那行 11/30 22:04
11F：→ fantasywater:if(dateMat.find()) 然後進不去funtion,沒找到 @_@" 11/30 22:05
12F：推 EragonJ:我不知道你回覆的2 想表示什麼@@" 11/30 22:23
13F：→ EragonJ:而1的話 我測是可以的 不知道你是用什麼語言寫的? 11/30 22:23
14F：→ fantasywater:2想表達的是眾多div tag我只要抓id="news"的 後續還 11/30 22:34
15F：→ fantasywater:要處理抓到的內容,所以要避免雜訊,不然很多網頁都有 11/30 22:35
16F：→ fantasywater:有DIV標籤,後續處理的部分就會變得很多很多@_@" 11/30 22:36
17F：→ fantasywater:1的話我是在eclipseIDE環境下用java寫的 11/30 22:38
18F：推 EragonJ:<(p|span|(div) id="news")>(.*?)</(?:\1|\2)> 改成這樣 11/30 22:55
19F：→ EragonJ:1的效果就可以達成了! 11/30 22:55
20F：推 EragonJ:Java我不熟 xd 抱歉啦~ 不過那個應該不可能不行才對... 11/30 23:01
21F：→ EragonJ:可能是什麼函式用錯吧xD? 還是有打錯字之類的 我不知道 哈 11/30 23:02
22F：→ EragonJ:等等 我問一下 兩個tag之間有換行嗎? 11/30 23:02
23F：→ fantasywater:先討論2好了,我有想過您建議的寫法,但是那可能會拿到 12/01 01:06
24F：→ fantasywater:<p>..</div> or <span>..</div>我要再實驗看看@@" 12/01 01:07
25F：→ fantasywater:至於1的話,我剛剛發現我JAVA吃進來的XML檔案和使用 12/01 01:08
26F：→ fantasywater:另存新檔得到的結果不一樣,也就是說原本的XML檔可能 12/01 01:08
27F：→ fantasywater:不具有<atom:updated>..</atom:updated>,這行有可能 12/01 01:09
28F：→ fantasywater:是一些萬布的樣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,因為我抓<title>..</title>是有東西的!! 12/01 01:11
30F：→ fantasywater:萬布改成外部 打錯字了~ 12/01 01:12
31F：→ fantasywater:剛試了一下,2的效果不錯,沒遇到太多例外,不過還要多 12/01 01:34
32F：→ fantasywater:試幾個網頁才知道~ 12/01 01:35
33F：推 EragonJ:你上面講的問題應該是不會發生 前提是在以標準為前提建構 12/01 14:58
34F：→ EragonJ:的RSS 因為都是<x> <q>...</q> </x> 由外到內這樣包起來 12/01 14:59
35F：→ EragonJ:而你上面有用貪婪的方式去抓(.*?) 所以就會避免你講的情況 12/01 14:59
36F：→ EragonJ:前提很重要 不過我看大部分的RSS都寫的中規中矩的 應該 12/01 15:00
37F：→ EragonJ:不會有問題發生才對xd~ 12/01 15:00
38F：推 EragonJ:要記得加m 這個參數喔 可以讓. 去 match new line這個char 12/01 15:47
39F：→ EragonJ:我覺得有可能是因為有換行的關係啦~ 試試看! 12/01 15:47