什么是从HTML文件中输出两个特定字段值的最简单方法？

Question

我正在从此网址提取HTML。我对以下两行感兴趣：

<meta name="SAC:price" content="444000"> <meta name="SAC:published" content="2020-03-28 11:06:22">

我想提取这两行的内容值。在这个例子中，我需要的输出是：

[444000，2020-03-28 11:06:22]

最简单的方法是什么？这是我到目前为止尝试过的：

function myFunction() {
  var url = "https://asunnot.oikotie.fi/myytavat-asunnot/helsinki/15597485"
  var str = UrlFetchApp.fetch(url).getContentText();
  let r = /ce" content="(\d{6})">|hed" content="(.*)">/g,out=[];     
  let arr = [...str.matchAll(r)]; //[[ce" content="444000">, 444000, null], [hed" content="2020-03-28 11:06:22">, null, 2020-03-28 11:06:22]]
  for(a of arr){
    a.shift();
    (a[0])?out.push(a[0]):out.push(a[1]);
    } 
  Logger.log(out); //[444000, 2020-03-28 11:06:22]
}

这似乎过于繁琐，有更好的选项吗？我不介意如何实现（正则表达式或其他方法），只要能以最简单的方式一致地获取这两个字段的内容。

感谢Wiktor Stribiżew的贡献，最终解决方案：

function myFunction() {
  var url = "https://asunnot.oikotie.fi/myytavat-asunnot/helsinki/15597485"
  var str = UrlFetchApp.fetch(url).getContentText();
  let r = /(?<=ce" content=")\d{6}(?=">)|(?<=hed" content=").*(?=">)/g;     
  let arr = str.match(r);
  Logger.log(arr); //[444000, 2020-03-28 11:06:22]
}

- jlo

---

如果你想除去空值并只保留匹配的数值，确保你只消耗想要获取的内容：let r = /(?<=ce" content=")\d{6}(?=">)|(?<=hed" content=")[^"]*(?=")>/g; - Wiktor Stribiżew

那个正则表达式似乎只选择了444000，请参见https://regex101.com/r/rAjZOe/1 - jlo

我的笔误（在(?=")>处），它应该是let r = /(?<=ce" content=")\d{6}(?=">)|(?<=hed" content=")[^"]*(?=">)/g。 - Wiktor Stribiżew

谢谢，我之前并不熟悉正向先行断言/反向先行断言。这真的使事情变得简单了！ - jlo

请注意，JavaScript 中的后顾支持非常有用，但并不是所有情况下都被支持。 - Pointy

Answer 1

如果你想去除空值并只保留匹配的值，请确保只使用你想要获取的内容：

let r = /(?<=ce" content=")\d{6}(?=">)|(?<=hed" content=")[^"]*(?=">)/g;

在这里，(?<=ce" content=") 和 (?<=hed" content=") 是正向后瞻，它们匹配字符串中紧随特定文本（此处为固定文本）之后的位置，而(?=">)是正向前瞻，它匹配字符串中紧跟着某个文本的位置。请参见正则表达式演示。

然后，您只需要使用String＃match调用正则表达式即可得到结果数组：

let arr = str.match(r);

查看这里了解有关环视的更多信息。

- Wiktor Stribiżew

Answer 2

有一个方法可以做到，您可以使用 replace 函数来获取值。请检查。

const data = `<meta name="SAC:habitationType" content="1">
 <meta name="SAC:price" content="444000">
<meta name="SAC:published" content="2020-03-28 11:06:22">
<meta name="SAC:listingType" content="1">`
let matches = []
data.replace(/content="(\d{6}|\d\d\d\d-.+)">/g, (_,m) => {
  matches.push(m)
})
console.log(matches)

.as-console-row {color: blue!important}

- xdeepakv

---

这可能对于问题来说是可以的，但是您的正则表达式匹配了原始表达式未匹配的输入。OP会根据“name”属性的内容限制“content”属性值可能的取值。 - Pointy

Answer 3

你有一个|运算符。只有一侧会匹配，因此另一侧的捕获组将为null。 .matchAll()操作始终包括正则表达式中所有捕获组的值，包括那些未匹配的。

链接的示例页面显然有自己的代码，可以确定哪个备选项匹配。换句话说，它不仅仅使用.matchAll()，或者它正在后处理结果。

- Pointy

---

那么有没有办法使用一个正则表达式公式仅捕获这两个值？或者只能将该表达式分成 var re1 = /ce" content="(\d{6})">/; -> matchAll -> 提取组 和 var re2 = /hed" content="(.*)">/-> matchAll -> 提取组 两部分来处理呢？ - jlo

你可以在操作后过滤掉空值，如果你不喜欢的话；但是现在不清楚你真正想要什么。 - Pointy

检查我的答案，有一个黑客可以实现！ - xdeepakv