最后43分，问一个HTML信息提取的问题

Question

.....
<ul class="cityresourse">
     
<li>姓  名：<a href="javascript:void(0);" onclick="MM_xmlLoad('user.main&uid=52033250&keep=right');"><strong class="dark_monarch">李大三</strong></a></li>
<li>公 司：<a href="javascript:void(0);" onclick="MM_xmlLoad('alliance.main&aid=1075&keep=right');" ><strong class="dark_normalgeneral">未登记</strong></a></li>
<li>国　家：<strong class="dark_content">中国</strong></li>
<li>年  龄：<strong class="dark_content">40</strong></li>
<li>职  位：<a href="javascript:void(0);" onclick="MM_xmlLoad('emperor.court_list');"><strong class="dark_union">工程师</strong></a></li>
   <li>备  注：
<p><strong>没有备注记录</strong></p>
</li>
</ul>.....
我想提取其中的信息，如：
姓名：李大三
公司：未登记
国家：中国
年龄：40
备注：没有备注记录

Answer 1

try...MatchCollection mc = Regex.Matches(yourStr, @"<li>(?:(?!</li>)[\s\S])*</li>", RegexOptions.IgnoreCase);
foreach (Match m in mc)
{
    richTextBox2.Text += Regex.Replace(m.Value, @"<[^>]*>|\s+", "") + "\n";
}

Answer 2

string htmlstr="xxxxx"; 
string newstr;
MatchCollection ms = Regex.Matches(htmlstr,"(?<=li>).+?(?=<)|(?<=>).+?(?=<//strong)", RegexOptions.IgnoreCase);
foreach (Match m in ms)
{
newstr+=Match;
}

Answer 3

这个页面是一个典型的通过javascript管理内容的页面，用户不点击，可能页面上就没有被提取的内容，普通爬虫往往提取到的只有“姓名”没有“李大三”我有个免费使用的工具MetaSeeker工具包，源代码也能阅读，但是不知道这个页面是否能够完全提取下来。我原计划在今年2月完成v3版本时完全支持Ajax／javascript管理的内容的提取，但是，因为得了一次严重眼病，ajax内容的提取只实现了一部分，推迟到下一个版本了。如果有兴趣，可以下载下来试试，下载地址：http://www.gooseeker.com