5

Tenho um HTML que eu preciso retirar os valores de um conjunto de <li>.

Essa é a parte do HTML:

<ul id="minhas-tags">
 <li><em>Tagged: </em></li>
  <li><a href="/tags/tag1">tag1</a>, </li>
  <li><a href="/tags/tag2">tag2</a>, </li>
  <li><a href="/tags/tag3">tag3</a>, </li>
  <li><a href="/tags/tag4">tag4</a>, </li>

Quero pegar o conteúdo dos <li> como tag1, tag2, etc.

Depois de muito ler aqui eu cheguei nessa expressão regular:

tags/[a-zA-Z]+">[a-zA-Z]+<+

Isso consegue isolar o HTML que eu quero de todo o resto, mas eu não sei como transforma essa expressão para que ela ache os valores e retorne somente o conteúdo do <li>.

Essa expressão me retorna por exemplo: /tags/tag1">tag1<, e eu quero somente tag1.

Como eu faria isso? E teria como me explicar como funcionaria a expressão sugerida como solução, por favor?

Atualização

Desculpem, não coloquei a linguagem, estou usando C#, minha rotina é mais ou menos assim:

public string retorna_Tags_HTML(string html)
{
    Regex ER = new Regex(@"tags?([\w]+)<\/a>", RegexOptions.None);
    Match m = ER.Match(html);
}
2
  • Qual a linguagem? talvez seja possível usar um parser, tente usar essa regex /tags?([\w]+)<\/a>/g.
    – stderr
    29/05/2015 às 1:06
  • Linguagem é c#, esse link que você mandou retorna também o </a>. Coloquei mais informações na pergunta.
    – Ricardo
    29/05/2015 às 1:23

2 Respostas 2

4

Pode-se utilizar a expressão tags?\w+(?=<\/a>), que irá capturar qualquer palavra (entre a-z, A-Z, 0-9 e o traço inferior _) que estiver antes de </a> usando lookhead positivo ?=.

using System.Text.RegularExpressions;
using System.Linq;
....

string html = 
    @"<ul id=""minhas-tags"">
       <li><em>Tagged: </em></li>
        <li><a href=""/tags/tag1"">tag1</a>, </li>
        <li><a href=""/tags/tag2"">tag2</a>, </li>
        <li><a href=""/tags/tag3"">tag3</a>, </li>
        <li><a href=""/tags/tag4"">tag4</a>, </li>";

  Match[] tags = Regex.Matches(html, @"tags?\w+(?=</a>)")
                   .Cast<Match>()
                   .ToArray();

  foreach (var tag in tags) {
        Console.WriteLine(tag.Value);
  }
  Console.ReadLine();

Ver demonstração

Uma outra forma seria usar um parser, como o HTML Agile Pack para extrair essas informações, veja um exemplo:

string html = 
    @"<ul id=""minhas-tags"">
       <li><em>Tagged: </em></li>
         <li><a href=""/tags/tag1"">tag1</a>, </li>
         <li><a href=""/tags/tag2"">tag2</a>, </li>
         <li><a href=""/tags/tag3"">tag3</a>, </li>
         <li><a href=""/tags/tag4"">tag4</a>, </li>";

var documento = new HtmlAgilityPack.HtmlDocument();
documento.LoadHtml(html);

foreach (var tag in documento.DocumentNode.SelectNodes("//a")) {
      Console.WriteLine(tag.InnerText);
}
Console.ReadLine();
// tag1
// tag2
// tag3
// tag4

Nota: É necessário referenciar o HTML Agile Pack no projeto.

0
0

var html = document.querySelector("#minhas-tags").innerHTML;
var conteudo = [];
html.replace(/tag[0-9]*">([a-zA-Z0-9]*)<\/a>/gi, function($1, $2) {
  conteudo.push($2);
});
alert(conteudo);
<ul id="minhas-tags">
  <li><em>Tagged: </em>
  </li>
  <li><a href="/tags/tag1">tag1</a>,</li>
  <li><a href="/tags/tag2">tag2</a>,</li>
  <li><a href="/tags/tag3">tag3</a>,</li>
  <li><a href="/tags/tag4">tag4</a>,</li>
</ul>

3
  • Como eu faria isso usando c#, coloquei as classes que uso na pergunta. Obrigado.
    – Ricardo
    29/05/2015 às 1:26
  • Não sei =/, mas vê se troca isso: "tags?([\w]+)<\/a>" por "tag[0-9]*\">([a-zA-Z0-9]*)<\/a>".... 29/05/2015 às 1:33
  • Coloque uma explicação textual na sua resposta para ajudar o Autor da pergunta e outros membros que chegarem na pergunta dele.
    – Ricardo
    29/05/2015 às 12:34

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .