Regular Expression - træk data ud fra HTML

using System;
using System.Text.RegularExpressions;

class MainClass
{
    public static void Main(string[] args)
    {
        test("<div><span class='udsendelse-tid'>23:10</span>&nbsp;&nbsp;<span class='udsendelse-titel' onclick='toggleDesc(22172846);'>Overskriften står her</span></div>");
    }
    private static void test(string s)
    {
        MatchCollection res = Regex.Matches(s,"(?:<span [^>]*>)(.*?)(?:</span>)");
        for(int i = 0; i < res.Count; i++) {
            Console.WriteLine(res[i].Groups[1]);
        }
    }
}

udskriver

23:10
Overskriften står her

Jeg ville forsøge mig med noget lign.:


<span [^>]*?class=['"]udsendelses-titel['"'][^>]*?>(.*?)</span></div>$

... og dér havde Arne så været der :(

Oh, ok. Jeg kigger lige på det :)

Hvad kan jeg gøre, hvis jeg har flere linier af ovenstående html-kode? Er det nemmeste at smide det i en tekst-fil og så læse en linie af gangen, eller kan man smide flere overskrifter ind i et array eller lignende (evt. vha. split)

Min kode kan finde lige så mange span direktiver som det skal være i en
enkelt streng, så en lang streng er helt fint.

Hm, jeg får desværre ikke hvad jeg vil. Men det er heller ikke en helt nem opgave. HTML'en ser sådan ud :

<div class='udsendelse'>
<div><span class='udsendelse-tid'>23:45</span>&nbsp;&nbsp;<span class='udsendelse-titel' onclick='toggleDesc(22164522);'>Onsdags Lotto</span></div>
<div class='udsendelse-beskrivelse' style='display: block;' name='divBeskrivelseKort' id='Desc22164522Short'>Måske bliver du onsdagsmillionær.</div>
<div class='udsendelse-beskrivelse' style='display: none;' name='divBeskrivelseLang' id='Desc22164522Long'>Måske bliver du onsdagsmillionær.<br>  <div align='right' style='margin-top:2px;'>  <a href='/paamindelser/' target='_top'><img src='/images/paamind_inaktiv.gif' border='0' alt='Påmindelse' title='For at benytte påmindelser skal du være TV2 Login bruger'> <span title='For at benytte Påmindelser skal du være TV2 Login bruger' class='program_ikon_inaktiv'>Påmindelse</span></a>  <a href='/tvuge/' target='_top'><img src='/images/tvuge_inaktiv.gif' border='0' alt='tv-uge' title='For at benytte tv-ugen skal du være TV2 Login bruger'> <span title='For at benytte tv-ugen skal du være TV2 Login bruger' class='program_ikon_inaktiv'>tv-uge</span></a>  </div>

</div>
</div>
<div class='udsendelse'>
<div><span class='udsendelse-tid'>23:50</span>&nbsp;&nbsp;<span class='udsendelse-titel' onclick='toggleDesc(22164523);'>Arbejdsliv - for klog til et arbejde?</span> <span class='udsendelse-symboler'>(TTV)</span> <span class='udsendelse-symboler'>(12)</span></div>
<div class='udsendelse-beskrivelse' style='display: block' name='divBeskrivelseKort' id='Desc22164523Short'><img src='http://inc.tv2.dk/images/dummy.gif' height='1' width='1'></div>
<div class='udsendelse-beskrivelse' style='display: none;' name='divBeskrivelseLang' id='Desc22164523Long'>Vi får at vide, at vi skal uddanne os for at klare os i den globaliserede verden. Der er bare det problem, at dem, der uddanner sig, ikke kan få noget arbejde. Over hver tredje akademiker har ikke noget job et år efter eksamen. Vi følger de unges umulige kamp for at få et arbejde og ser på, hvad der er gået galt. www.dr.dk/arbejdsliv.<br>Sendes også 13.2.<br>  <div align='right' style='margin-top:2px;'>  <a href='/paamindelser/' target='_top'><img src='/images/paamind_inaktiv.gif' border='0' alt='Påmindelse' title='For at benytte påmindelser skal du være TV2 Login bruger'> <span title='For at benytte Påmindelser skal du være TV2 Login bruger' class='program_ikon_inaktiv'>Påmindelse</span></a>  <a href='/tvuge/' target='_top'><img src='/images/tvuge_inaktiv.gif' border='0' alt='tv-uge' title='For at benytte tv-ugen skal du være TV2 Login bruger'> <span title='For at benytte tv-ugen skal du være TV2 Login bruger' class='program_ikon_inaktiv'>tv-uge</span></a>  </div>

</div>

Det eneste jeg er interesseret i, er tidspunkt, overskrift og beskrivelse.

(koden er nemmere at overskue i notepad ; www.powerzone.dk/source.txt

Et match per forekomst af alle 3 og en expression som fanger alle 3 !

Sorry? Hvad mener du? Er det løsningen eller hvad?
Jeg er lidt lost i det her.

?:<span [^>]*>)(.*?)(?:</span>  <== Hvorfor skal der fx ?: først?

Kan du lave en reg der giver mig det jeg har brug for mon?

?: betyder "data skal være der men vi er ikke interesseret i det"

Jeg forstår ikke præcis hvad der er du vil have fisket ud af det HTML.

Af den kode jeg henviste til, ønsker jeg at kunne hente :
'23:45', 'Onsdags Lotto', 'Måske bliver du onsdagsmillionær.'
'23:50', 'Arbejdsliv - for klog til et arbejde?', 'Vi får at vide, at vi skal uddanne os for at klare os i den global..<fortsættes>..'

using System;
using System.Text.RegularExpressions;

class MainClass
{
    public static void Main(string[] args)
    {
        test(@"<div class='udsendelse'>
<div><span class='udsendelse-tid'>23:45</span>&nbsp;&nbsp;<span class='udsendelse-titel' onclick='toggleDesc(22164522);'>Onsdags Lotto</span></div>
<div class='udsendelse-beskrivelse' style='display: block;' name='divBeskrivelseKort' id='Desc22164522Short'>Måske bliver du onsdagsmillionær.</div>
<div class='udsendelse-beskrivelse' style='display: none;' name='divBeskrivelseLang' id='Desc22164522Long'>Måske bliver du onsdagsmillionær.<br>  <div align='right' style='margin-top:2px;'>  <a href='/paamindelser/' target='_top'><img src='/images/paamind_inaktiv.gif' border='0' alt='Påmindelse' title='For at benytte påmindelser skal du være TV2 Login bruger'> <span title='For at benytte Påmindelser skal du være TV2 Login bruger' class='program_ikon_inaktiv'>Påmindelse</span></a>  <a href='/tvuge/' target='_top'><img src='/images/tvuge_inaktiv.gif' border='0' alt='tv-uge' title='For at benytte tv-ugen skal du være TV2 Login bruger'> <span title='For at benytte tv-ugen skal du være TV2 Login bruger' class='program_ikon_inaktiv'>tv-uge</span></a>  </div>

</div>
</div>
<div class='udsendelse'>
<div><span class='udsendelse-tid'>23:50</span>&nbsp;&nbsp;<span class='udsendelse-titel' onclick='toggleDesc(22164523);'>Arbejdsliv - for klog til et arbejde?</span> <span class='udsendelse-symboler'>(TTV)</span> <span class='udsendelse-symboler'>(12)</span></div>
<div class='udsendelse-beskrivelse' style='display: block' name='divBeskrivelseKort' id='Desc22164523Short'><img src='http://inc.tv2.dk/images/dummy.gif' height='1' width='1'></div>
<div class='udsendelse-beskrivelse' style='display: none;' name='divBeskrivelseLang' id='Desc22164523Long'>Vi får at vide, at vi skal uddanne os for at klare os i den globaliserede verden. Der er bare det problem, at dem, der uddanner sig, ikke kan få noget arbejde. Over hver tredje akademiker har ikke noget job et år efter eksamen. Vi følger de unges umulige kamp for at få et arbejde og ser på, hvad der er gået galt. www.dr.dk/arbejdsliv.<br>Sendes også 13.2.<br>  <div align='right' style='margin-top:2px;'>  <a href='/paamindelser/' target='_top'><img src='/images/paamind_inaktiv.gif' border='0' alt='Påmindelse' title='For at benytte påmindelser skal du være TV2 Login bruger'> <span title='For at benytte Påmindelser skal du være TV2 Login bruger' class='program_ikon_inaktiv'>Påmindelse</span></a>  <a href='/tvuge/' target='_top'><img src='/images/tvuge_inaktiv.gif' border='0' alt='tv-uge' title='For at benytte tv-ugen skal du være TV2 Login bruger'> <span title='For at benytte tv-ugen skal du være TV2 Login bruger' class='program_ikon_inaktiv'>tv-uge</span></a>  </div>

</div>");
    }
    private static void test(string s)
    {
        MatchCollection res = Regex.Matches(s,"(?:<(?:span|div) class=')([^']*)(?:'[^>]*>)([^<]*)(?:</(?:span|div)>)");
        for(int i = 0; i < res.Count; i++) {
            Console.WriteLine(res[i].Groups[1] + " = " + res[i].Groups[2]);
        }
    }
}

udsendelse-tid = 23:45
udsendelse-titel = Onsdags Lotto
udsendelse-beskrivelse = Måske bliver du onsdagsmillionær.
udsendelse-tid = 23:50
udsendelse-titel = Arbejdsliv - for klog til et arbejde?
udsendelse-symboler = (TTV)
udsendelse-symboler = (12)

Se, det er netop ovenstående der er problemet. Jeg skal vide hvor de forskellige data er i array'et, men det kan jeg ikke beregne mig frem til, når der pludselig står (TTV) i stedet for en beskrivelse.

Nej, det er faktisk (12) der er problemet, ikke (TTV)

Det er i øvrigt data'et fra flg. side jeg er interesseret i:
http://tv.powerzone.dk (tidspunkt, overskrift, beskrivelse)

- og så kunne det være rigtig lækkert, hvis dataet kunne blive smidt i 3 ArrayLists så jeg bare kan skrive :

tid[0]
overskrift[0]
beskrivelse[0]

- og skulle en beskrivelse mangle, indsættes blot en tom plads.

Det er altså ikke svært at putte res[i].Groups[2] ind i ArrayLists udfra
res[i].Groups[1]

Jeg er kommet frem til en anden løsning, som fungerer rigtigt efter hensigten. Jeg må vente et halvt års tid, til vi får rigtig undervisning i regular expressions.

arne > Smid blot et svar alligevel - så deler vi i porten :)

ok

:)