正则表达式解析html标题标签
我需要解析很多 html 文件才能知道哪些文件在标题标签中包含特定文本。
假设标题是
file1.htm
<title>100 text other text</title>
file2.htm
<title>text 100 text other text</title>
file3.htm
<title>text 1000 text other text</title>
file4.htm
<title>text one hundred text other text</title>
按照我的示例，我需要查找包含 100 或 100 的文件名，即文件 1,2 和 4。
我的问题是我不知道如何编写正则表达式
gci "c:\my_folder" | ? {$_.extension -eq ".htm"} |
select-string -pattern '<title>*100*</title>' |
Select-Object -Unique Path
请注意，如果这可能对于正则表达式很重要，标题标签不在行的开头而是在中间。 提前致谢。
I need to parse a lot of html files in order to know which ones contain specific text within title tag.
Let's suppose that titles are
file1.htm
<title>100 text other text</title>
file2.htm
<title>text 100 text other text</title>
file3.htm
<title>text 1000 text other text</title>
file4.htm
<title>text one hundred text other text</title>
Following my example I need to find files name that contain 100 or one hundred, that is files 1,2 and 4.
My problem is that I don't know how to write regular expression
gci "c:\my_folder" | ? {$_.extension -eq ".htm"} |
select-string -pattern '<title>*100*</title>' |
Select-Object -Unique Path
Please note, if this may be important for regexp, that title tag is not at the beginning of a row but in the middle.
Thanks in advance.
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（2）
这应该可以做到。
This should do it.
尝试
匹配模式。模式语法是PCRE（就像perl中的一样），如果需要的话可以重新表述。
最好的问候，
卡斯滕
PS：
当心陷阱——评论中的所有建议和警告确实有效；不过，就您而言，正则表达式方法似乎是可行的（主要是因为您正在调查“标题”标签的内容，每个文件应该只有一个，并将其分布在多行中将是愚蠢的恕我直言）。
try
for the pattern to match. pattern syntax is PCRE (like in perl), it can be reformulated if necessary.
best regards,
carsten
ps:
beware of the pitfalls - all the recommendations and warnings from the comments do hold; still, in your case, the regex approach seems viable (mainly because you're investigating the 'title' tag's content, there should only be a single one per file and spreading it across multiple lines would be plain silly imho).