基于正则表达式的HTML信息提取.pdfVIP

基于正则表达式的HTML信息提取 文章编号 ：1003—5850(2012)04·0044—03 基于正则表达式的HTML信息提取 李文华，杨亚仿 ，吴 昊 (长江大学计算机科学学院，湖北 荆州 434023) 摘 要：在实际应用中经常需要分析Web页面的源代码，对HTML标记进行分析提取有用的数据。研究了如何利用正则表达 式获取常见的HTML标记内容 ，实现了对 HTML信息的定制提取，并以如何抓取一个学生成绩表的数据信息为例介绍了其实现 过程 。 关键词：正则表达式，HTML，信息提取 中图分类号：TP311 文献标识码：A TheHTM L Information Extraction Based on RegularExpressions LIW en—hua，YANG Ya-fang，W uHao (CollegeofComputerScience，YangtzeUniversity，Jingzhou434023，China) Abstract：Under theactualapplication，we need to analyse source code ofweb and extractuseful informationfrom htmltags．Thepaperresearchedhow togetcommonhtmltagcontentbyregularexpressions， realized toextractcustom htmltag information，and took grabingastudentscoredataasan exampleto illustratetheimplementationprocess． Keywords：regularexpressions，HTM L，informationextraction 如何从Web页面定制提取数据是当前信息研究 的热点之一。大部分的Web页面内容由HTML标记 1 正则表达式 组成 ，少数 web页面基于XML标记。无论基于哪一 正则表达式是用来进行文本匹配的工具 。通配符 种标记 ，Web页面 内容都遵循一定的标记规则和模 就是最简单的正则表达式 ，只不过比起通配符，它能更 式。很多学者已经研究了各种各样的网页信息抽取包 精确地描述文本匹配的模式。如复杂用户名检测、密码 装器[ ，这些包装器能分析指定的Web页面。通过其 复杂度判断以及邮箱名等，它广泛应用在处理各种复 白定义的算法生成并存储抽取规则供应用程序使用， 杂字符串规则的程序中。 但包装器生成的规则总不能尽如人意，需要加以改进 ， 正则表达式是由普通字符和特殊字符 (称为元字 而且这些规则并不是适合每一种程序开发语言。 符)组成的文字模式。普通字符包括单词字符a-z，数字 正则表达式(regularexpression)描述 了一种字符 0-9，底划线正则表达式作为一个模板 ，将某个字符模 串匹配的模式，可以用来检查一个串是否含有某种子 式与所搜索的字符串进行匹配。本文中用到的元字符 串、将匹配的子串做替换或者从某个串中取出符合某 如下页表 1C。．5]所示 。 个条件的子串等 。它非常适合用于查找、匹配