散分！求正则表达式程序

Question

String aa="<tr><td>11</td><td>12</td></tr>"
+"<tr><td>21</td><td>22</td></tr>"
+"<tr><td>31</td><td>32</td></tr>";
输入一个table HTML字符串，按表格格式打印
简单格式：
11  12
21  22
31  32
跨行跨列  11跨2列，12跨2行
 11    12
21 22  
31 32  33说明：tr td标签可能有属性，如<td width="" style="clor:red">等。
我正在做一个HTML文本抓取生成Excel的插件，需要扫描整个HTML表格，得出表头 表数据 适应多种情况，包括跨列跨行等。
向各位高手求教了！
有什么想法或者代码片段，欢迎分享啊！
个人觉得难点是分析HTML字符串，再就是记录跨行跨列状态！期待高手！答的好的话会追加分！
另外我做出插件来也会和大家分享！

Answer 1

/<td.*?>(\d*?)<\/td>/js中的正则！ 你试试 ！！然后可以取出你想要的数字   具体如何取出想要的数字 看下面的例子
  var reCat = /(\w+)$/g;   
    var arrdata = data.match(reCat);    for (var i = 0; i < arrdata.length; i++)
    {
        alert(arrdata[i]);
    }  
类似于java中的group

Answer 2

很久没接分每天回帖即可获得10分可用分！小技巧：教您如何更快获得可用分  
这里发言，表示您接受了CSDN社区的用户行为准则。 
请对您的言行负责，并遵守中华人民共和国有关法律法规,尊重网上道德。 
转载文章请注明出自“CSDN（www.csdn.net）”。如是商业用途请联系原作者。 
 

Answer 3

当然不能只用正则表达式了!我是用正则流式解析字符串.然后用变量什么的记录解析的结果.
拨入碰见一个TR,行数加一,碰见一个TD列数加一,当然这是最简单的没有跨行跨列的情况下.

Answer 4

是否table嵌套，是否100%符合html语法？

Answer 5

首先声明，个人认为lz这种程序有些吃力不讨好，毕竟html的语法太灵活，要是不事先对html代码做检查的话，程序健壮性会大打折扣，如果做校验，就涉及到lz要的正则表达式，但这个正则表达式太复杂，不好写，再加上网上不少网页本身就存在语法错误，这个校验，难做啊……
以下分析中，我直接忽略校验这一步，建议lz如果真要做的话，最好表格能有一个固定格式……

Answer 6

这个问题的难点在于单元格可能跨行跨列，具体跨行跨列的个数可以利用查找td或th后的colspan、rowspan标签之后的数字来获得，我处理的思路是，写入excel文件分2遍进行，第一遍在遇到跨行跨列的单元格，只在其左上方单元格内记录其值，其他包含的单元格内标注与哪个单元格合并，第二遍合并所有需要合并的单元格。

Answer 7

给出一个简单的伪代码：
while（htnl代码流未结束）
{
  string str=读入一个<>或<>内的内容；//保证标签内容的完整性
  int row，line；//指示当前要写入excel格的位置；
  if（str中包含table）{
    row=0；
    line=0；//初始化
  }
  else if（str中包含tr）{
    row+=1；//换行
    line=0；//列清零
  }
  else if（str中包含td）{//具体到单元格了
    line+=1；//后面一个格
    if（str中包含colspan）//多列
       int colspan=colspan标签后的值；
    if（str中包含rowspan）//多行
       int rowspan=rowspan标签后的值；
    string data=读入下一个</td>前的所有内容；
    string temp=读入excel文件中[row,line]单元格的内容；
    while(strcmp(temp,"")!=0){//当前单元格有内容
      line+=1；//向后顺延
      temp=读入excel文件中[row,line]单元格的内容；
    }
    write（row，line，data）；//将temp的内容写入excel中[row,line]的单元格内
    for（int i=1;i<colspan;i++）{
        write（row，line+i,"(row,line)"）；//在需合并的单元格内拟合并的单元格位置，这时不需要判断单元格是否为空，除非代码错误
    }
    for（int i=1;i<rowspan;i++）{
        write（row+i，line,"(row,line)"）；//在需合并的单元格内拟合并的单元格位置
    }  }}最后还是要说明，没有考虑代码出错的情况，但现实的情况是：随意下载的页面内，不符合语法规范的代码太多太多了……

Answer 8

这个你得去看看正则的 适配，贪婪，惰性！"<tr><td>11</td><td>12</td></tr>"
这个的基本正则是这样的
“(<tr>((<td[\\S\\s]*>([a-zA-Z0-9]+)</td>)+)</tr>)*”

Answer 9

你说的跨行是指其中rowspan属性决定的吗？
还有对应的跨列colspan？如果是的话其实也可以做啊，无非是得到其中的这两个值，至于简单的打印只要在得到的结果后加个pirintln就可以了

Answer 10

试试把table的片段转化成一个xml文件，然后根据HTML语法分析进行打印，例如
<table>
  <tr>
      <td rowspan='2'>aaaa</td>
      <td>bbbb</td>
  </tr>
  <tr>
   ..............
  </tr>
<table>
一个tr是excel中一行，td是一列，然后根据html语法，分析tr或者td的属性，相关的估计有height，width，rowspan ，colspan等等。

Answer 11

String aa="<tr><td>11</td><td>12</td></tr>"
            +"<tr><td>21</td><td>22</td></tr>"
            +"<tr><td>31</td><td>32</td></tr>";
Pattern p=Pattern.compile("<td[^/]*>(\\d+)</td>");
Matcher m=p.matcher(aa);
while(m.find()){
System.out.print(m.group(1)+" ");
    if("</tr>".equals(aa.substring(m.end(),m.end()+5))){
    System.out.println();
    };
}

Answer 12

特别感谢你的思路！转换成XML简单多了，省略了解析过程，一下子把解析这个难点避免了！当然前提是HTML编码要严谨的代码风格，不出现不符合XML的情况。

Answer 13

具体要什么样子的？不是读出来写到excel里面么？

Answer 14

不跨行列的：
import java.util.regex.Matcher;
import java.util.regex.Pattern;public class test { public test() { String aa = "<tr><td>11</td><td>12</td></tr>"
+ "<tr><td>21</td><td>22</td></tr>"
+ "<tr><td>31</td><td>32</td></tr>";
Pattern pTr = Pattern.compile("<tr.*?>.*?<\\s*/tr.*?>");
Matcher mTr = pTr.matcher(aa);
Pattern pTd = Pattern.compile("<td.*?>.*?<\\s*/td.*?>");
Matcher mTd = null;
while (mTr.find()) {
mTd = pTd.matcher(mTr.group());
while (mTd.find()) {
System.out.print(mTd.group().replaceAll("<.*?>", "") + "\t");
}
System.out.println();
}
} public static void main(String[] args) {
new test();
}}

Answer 15

刚改一个昵称，测试一下！大家多支持！
另外本地使用XML替代方案我已经做出来了！计划做一个Excel<==>HTML双向切换的三方组件。以后只需要完成一方借助组件就可以获取另一方。

Answer 16

这里发言，表示您接受了CSDN社区的用户行为准则。