ruby regex, разбор html

Question

Я пытаюсь проанализировать некоторые возвращенные HTML (от http://www.google.com/movies?near=37130), чтобы найти фильмы, которые воспроизводятся в данный момент. Шаблон, который я пытаюсь найти, выглядит так:
<span dir=ltr>Clash of the Titans</span>

Из которых есть несколько в возвращенном HTML.

Я пытаюсь получить массив названий фильмов с помощью следующей команды:
titles = listings_html.split(/(<span dir=ltr>).*(<\/span>)/)

Но я не получаю ожидаемых результатов. Кто-нибудь может увидеть проблему с моим подходом или регулярным выражением?

Answer 1

Вери считается плохим, как правило, для анализа HTML с RegExs, так как HTML не имеет регулярной грамматики. Смотрите список ссылок на объяснения (некоторые из SO) здесь .

Вместо этого следует использовать указанную библиотеку HTML, , например, такую ​​

Answer 2

Я не прочитал весь код, который вы опубликовали, так как он обжег мои глаза.

<span>.*</span>

Это регулярное выражение соответствует <span>hello</span> правильно, но не соответствует <span>hello</span><span>there</span> и соответствует всей строке. Помните, что оператор * является жадным, поэтому он будет соответствовать самой длинной возможной строке. Вы можете сделать его не жадным, используя .*?, чтобы оно заработало.

Однако для анализа HTML-кода нецелесообразно использовать регулярные выражения.

1 - Вы не можете всегда анализировать HTML с помощью регулярных выражений. HTML не является регулярным.

2- Очень сложно писать или поддерживать регулярные выражения.

3- Легко сломать регулярное выражение, используя такие данные, как <span><a href="</span>"></a></span>.

Answer 3

Для разбора HTML с Ruby используйте Nokogiri или hpricot .

Answer 4

(не похоже, что образец HTML, который вы опубликовали, на самом деле содержит примеры шаблона, который вы пытаетесь найти.)

Алисия права, что регулярное выражение против html, как правило, плохая идея, и по мере усложнения ваших требований оно будет нарушено.

Тем не менее, ваш пример довольно прост ..

doc.scan(/<span dir=ltr>(.*)<\/span/) do |match|
   puts match               
end 

Как уже упоминалось,. * Обычно жадный (и я ожидал, что это придется учитывать), но, похоже, при использовании в сканировании вы не получаете жадного поведения. Мне удалось сопоставить несколько из этих шаблонов в одном документе.