C++ 提取網頁內容系列之四正則

標 題: C++ 提取網頁內容系列之四
作 者: itdef
鏈 接: http://www.cnblogs.com/itdef/p/4173833.html 

歡迎轉帖 請保持文本完整並注明出處

將網頁內容下載后存入字符串string 或者本地文件后 我們開始進行搜索和查詢 獲取信息
這里使用正則式  使用vs2008  其自帶的tr1庫(預備標准庫) 有正則式庫供使用
帶頭文件/*******************************************************************************
*  @file        
*  @author      def< qq group: 324164944 >
*  @blog        http://www.cnblogs.com/itdef/
*  @brief     
/*******************************************************************************/
#include <regex>
using namespace std::tr1;
using namespace std;

這里推薦正則式教程
正則表達式30分鍾入門教程
http://www.cnblogs.com/deerchao/ ... zhongjiaocheng.html

C++：Regex正則表達式
http://blog.sina.com.cn/s/blog_ac9fdc0b0101oow9.html

 

首先來個簡單例子

#include <string>
#include <iostream>
#include <regex>

using namespace std::tr1;
using namespace std;

string strContent = " onclick=\"VeryCD.TrackEvent('base', '首頁大推', '神雕俠侶');";

void Test1()
{
        string strText = strContent;
        string strRegex = "首頁大推";
        regex regExpress(strRegex);

        smatch ms;

        cout << "*****************************" << endl;
        cout << "Test 1" << endl << endl;

        while(regex_search(strText, ms, regExpress))
        {
                for(string::size_type i = 0;i < ms.size();++i)
                {
                        cout << ms.str(i).c_str() << endl;
                }
                strText = ms.suffix().str();
        }

        cout << "*****************************" << endl << endl;
}

void Test2()
{
        string strText = strContent;
        string strRegex = "首頁大推.*'(.*)'";
        regex regExpress(strRegex);

        smatch ms;

        cout << "*****************************" << endl;
        cout << "Test 2" << endl << endl;
        while(regex_search(strText, ms, regExpress))
        {
                for(string::size_type i = 0;i < ms.size();++i)
                {
                        cout << ms.str(i).c_str() << endl;
                }
                strText = ms.suffix().str();
        }
        cout << "*****************************" << endl << endl;
}


int _tmain(int argc, _TCHAR* argv[])
{
        Test1();
        Test2();
                
        return 0;
}

Test1中 我們等於是直接搜索字符串 然后 打印出找到的位置Test2中 我們使用 首頁大推.*'(.*)'  
.號等於是任意非空白換行字符 *則代表重復任意多次(0-無窮次)
而括號表示一個字符集 也就是我們需要查找的內容 
請注意這個括號是在 ' '  之間的  也就是查找 首頁大推 任意字符之后 兩個 '  '號之間的內容

效果如下:
而且我們也發現 ms的顯示規律 他首先顯示符合條件的字符串 然后現實符合( )里面條件的子字符串

 

下面來個深入點得  分析這個字符串
string strContent0 = "alt=\"火影忍者\" /><div class=\"play_ico_middle\"></div><div class=\"cv-title\" style=\"width:85px;\">更新至612集</div>";

我們使用的正則式規則為 string strRegex = "alt=\"([^\"]*)\".*width:85px;\">(.*)</div>";
注意里面有兩個括號  一個是在alt= 之后 在兩個" " 之間的內容  一個是在width:85px;\">  和 </div> 之間的內容 
注意  "的顯示 由於C++語言的特性 必須寫成 \"
現在分析兩個括號內容 ([^\"]*)     (.*)

(.*)無須多說  就是任意非空白字符 而且是在width:85px;\">  和 </div> 之間的內容 
([^\"]*)  就是說 非"的內容任意重復多次  而且這個括號是在alt= 之后 在兩個" " 之間的內容

運行結果如下：(為了不顯示過多內容 符合條件的內容沒有全部顯示 只顯示了符合括號需求的子字符串)

 

/*******************************************************************************
*  @file        
*  @author      def< qq group: 324164944 >
*  @blog        http://www.cnblogs.com/itdef/
*  @brief     
/*******************************************************************************/


#include <string>
#include <iostream>
#include <regex>

using namespace std::tr1;
using namespace std;



string strContent = " onclick=\"VeryCD.TrackEvent('base', '首頁大推', '神雕俠侶');";

string strContent0 = "alt=\"火影忍者\" /><div class=\"play_ico_middle\"></div><div class=\"cv-title\" style=\"width:85px;\">更新至612集</div>";

void Test1()
{
        string strText = strContent;
        string strRegex = "首頁大推";
        regex regExpress(strRegex);

        smatch ms;

        cout << "*****************************" << endl;
        cout << "Test 1" << endl << endl;

        while(regex_search(strText, ms, regExpress))
        {
                for(string::size_type i = 0;i < ms.size();++i)
                {
                        cout << ms.str(i).c_str() << endl;
                }
                strText = ms.suffix().str();
        }

        cout << "*****************************" << endl << endl;
}

void Test2()
{
        string strText = strContent;
        string strRegex = "首頁大推.*'(.*)'";
        regex regExpress(strRegex);

        smatch ms;

        cout << "*****************************" << endl;
        cout << "Test 2" << endl << endl;
        while(regex_search(strText, ms, regExpress))
        {
                for(string::size_type i = 0;i < ms.size();++i)
                {
                        cout << ms.str(i).c_str() << endl;
                }
                strText = ms.suffix().str();
        }
        cout << "*****************************" << endl << endl;
}

void Test3()
{
        string strText = strContent0;
        string strRegex = "alt=\"([^\"]*)\".*width:85px;\">(.*)</div>";
        regex regExpress(strRegex);

        smatch ms;

        cout << "*****************************" << endl;
        cout << "Test 3" << endl << endl;

        while(regex_search(strText, ms, regExpress))
        {
                for(string::size_type i = 0;i < ms.size();++i)
                {
                        if(i > 0)
                                cout << ms.str(i).c_str() << endl;
                }
                strText = ms.suffix().str();
        }
        cout << "*****************************" << endl << endl;

}


int _tmain(int argc, _TCHAR* argv[])
{
        Test1();
        Test2();
        Test3();
                
        return 0;
}