Выбрать нужный параграф

@VladRost · Регистрация: 08.09.2015

Студворк — интернет-сервис помощи студентам

Добрый день!
Подскажите как выбрать нужный параграф из HTML страницы.

В нужном параграфе есть текст XXX

/<p.*?XXX.*?p>/s - захватывает вместе с нужным, все предыдущие параграфы.

Пример <p rhrh rhrr > ejej </p><p jeje ehe > df XXX hg</p>

@Igsit · 07.02.2017, 04:43

Попробуйте так: /<p[^>]*>[^<]*XXX[^<]*<\/p>/isU

Добавлено через 2 минуты
если в параграфе будут ещё теги то так: /<p[^>]*>.*XXX.*<\/p>/isU

@VladRost · 07.02.2017, 04:55 **[ТС]**

/<p[^>]*>[^<]*XXX[^<]*<\/p>/isU

да, это будет работать. Но если нет тэгов внутри параграфа

а второй
/<p[^>]*>.*XXX.*<\/p>/isU
опять захватывает все.

Я вот не могу сообразить - исключить два символа подряд в комбинации возможно? Тогда минусовка p> перед XXX решила бы проблему.

Тэги внутри параграфа конечно есть.

@Igsit · 07.02.2017, 05:49

Можно сыграть на том что известно какие теги есть внутри параграфа, т.к. параграфы не могут быть вложенными, если такой вариант сойдёт то можно перечислять в шаблоне теги которые встречаются внутри параграфа. Ну или какой-то другой способ поиска текста, я бы подумал если Вы предоставите подробнее текст поиска и пример текста где будет происходить поиск.

@VladRost · 07.02.2017, 07:35 **[ТС]**

Спасибо за помощь. Известные теги я понимаю как выцепить

Задача в целом: (может я неправильно делаю

Есть несколько файлов из Word с данными. составлены по определенному принципу. Мне нужно эти данные выцепить и загнать в таблицу. Заставить пользователя переделывать в Excel - практически нереально. Да и задача не очень сложная.
1.Сохраняю файл в ворде как html с фильтром (когда картинки отдельно в папке).
Он разбросал весь текст на параграфы со своими стилями и т.п.
2.Обрабатываю получившийся файл, разбирая параграфы.

Почему хотел сделать более менее универсальным?
Текстов много и ворд скорее всего сделает каждый немного по-своему, стараясь придать сходство с оригиналом. Но параграфы будут по любому.

Почему не в текст и разбирать?
Текст в ворде содержит и картинки и формулы. При переводе в вэб - все это хорошо переводится и сохраняется. Удобно и в базе хранить и выводить потом в виде страницы.

3. Хотелось сделать что-то универсальное, чтобы потом пользователь(продвинутый) мог сам проделывать подобные манипуляции, без программиста.

@Igsit · 07.02.2017, 15:33

Вообще из-за вложенности тегов парсить html регулярками достаточно не просто, я в таких случаях работаю со структурой html а точнее перевожу его в xml и там уже ищу что мне нужно, с xml можно работать как с объектом (simplexml) или c помощью xpath. Ещё один момент: файлы word а именно docx представляют из себя zip-архив в котором лежат xml файлы, возможно то что Вам нужно проще проделывать именно с этими файлами, т.е. без преобразования документа.

@VladRost · 07.02.2017, 17:02 **[ТС]**

Тоже вариант.
Хотя посмотрел я этот docx. там черт ногу сломит, лучше родной htm
Например в тексте встречаются формулы типа H₂SO₄
В HTML просто SUB-ами экранируется, их же можно потом и в готовую страницу выдавать в браузере. И ворд при сохранении в HTM сразу так и делает.
А вордовский DOCX слишком хитро все закручивает. Картинки опять же.
Про регулярку спросил - думал получится изящно, одной ~~левой~~ строкой...

Спасибо за подсказки, буду спокойно разбирать теги, это на мой взгляд несложно. Если вдруг соображу с регуляркой - напишу.

@Igsit · 07.02.2017, 17:43

Вот попробуйте, я не проверял но должно работать: /<p[^>]*> ([^<]|<[^p]|<p[^\s])*XXX([^<]|<[^p]|<p[^\s])*<\/p>/isU

@VladRost · 08.02.2017, 10:42 **[ТС]**

Сообщение от Igsit

Вот попробуйте, я не проверял но должно работать: /<p[^>]*> ([^<]|<[^p]|<p[^\s])*XXX([^<]|<[^p]|<p[^\s])*<\/p>/isU

Класс!! Работает!
Я не мог сообразить как сделать проверку на 2 символа.
Теперь понятно, заодно упростил вашу регулярку:

/<p([^>]|[^p]>)*?XXX.*?p>/s

Тоже работает!

@Igsit · 08.02.2017, 11:28

Сообщение от VladRost

заодно упростил вашу регулярку

Я написал регулярку учитывающую все возможные варианты, а Вы не упростили а урезали, теперь будут неправильные срабатывания. Вот это *? что за конструкция? и зачем после <p искать ( не '>' или (не 'p' и '>') ) ??? непойму, вот это <p[^>]*> тут то что надо, а Ваше <p([^>]|[^p]>)* вообще не понятно для чего?

@VladRost · 08.02.2017, 11:54 **[ТС]**

Сообщение от Igsit

Я написал регулярку учитывающую все возможные варианты, а Вы не упростили а урезали, теперь будут неправильные срабатывания. Вот это *? что за конструкция? и зачем после <p искать ( не '>' или (не 'p' и '>') ) ??? непойму, вот это <p[^>]*> тут то что надо, а Ваше <p([^>]|[^p]>)* вообще не понятно для чего?

Все верно. Перед XXX может быть что угодно, кроме закрытия параграфа - это p> Два символа я ни как не мог вставить в регулярку, а перебором получается. Ставим или не > или закрывающий > , но перед ним не должно быть p, то есть параграф должен закончиться уже за XXX. Поэтому внутри параграфа может быть сколько угодно тэгов, главное не должно быть закрытия самого параграфа.

А вопрос за звездочкой - снимает "жадность". То есть без него моя регулярка схватит все до последнего закрывающего знака параграфа в тексте, то есть схватит и параграфы сзади нужного.

Я проверял и вашу регулярку и свою на сайте http://regex101.com. С разными текстами - все работает. Да и логически все должно работать.

@Igsit · 08.02.2017, 11:58

Сообщение от VladRost

А вопрос за звездочкой - снимает "жадность"

для этого я прописал модификатор U в регулярке /..../isU

Сообщение от VladRost

Перед XXX может быть что угодно, кроме закрытия параграфа - это p>

а Вы не предполагаете что p> может быть не только закрывающим тегом параграфа а ещё например окончанием вот такого: <div id=stop> ?

@VladRost · 08.02.2017, 12:23 **[ТС]**

Сообщение от Igsit

для этого я прописал модификатор U в регулярке /..../isU

а Вы не предполагаете что p> может быть не только закрывающим тегом параграфа а ещё например окончанием вот такого: <div id=stop> ?

Согласен! может и такое быть, тогда надо ставить перед p / . Вижу еще один недостаток - если XXX если будет внутри какого-либо тега, то моя регулярка тоже сработает. Но это уже мелочи. Главное понятен принцип и подбором нужных ключевых слов решаемо. Ну или расширением регулярки, как вы прописали.

Я просто давно уже не занимался, раньше щелкал как семечки все, но подзабыл и потерял свои старые доки. К новым из инета никак не приспособлюсь. Вспоминаю забытое

@Igsit · 08.02.2017, 15:37

Сообщение от VladRost

Вижу еще один недостаток

Моя регулярка учитывает все эти возможные ситуации и не нужно пытаться упростить её, я составлял её исходя из условий задачи. Если бы можно было бы сократить, я бы сократил. И не нужно пугаться сложных(длинных) регулярок, тем более она простая до безобразия, просто много вариантов(или) в ней )

@VladRost · 10.02.2017, 15:33 **[ТС]**

Сообщение от Igsit

Моя регулярка учитывает все эти возможные ситуации и не нужно пытаться упростить её, я составлял её исходя из условий задачи. Если бы можно было бы сократить, я бы сократил. И не нужно пугаться сложных(длинных) регулярок, тем более она простая до безобразия, просто много вариантов(или) в ней )

Что-то схожу с ума

Вот 2 примера из моей задачи. файлы 005 и 006 с расширением htm
Это то что получилось из ворда, вырезал нормальный и проблемный кусок.
Тестовая программка test5, которая просто обрабатывает одну регулярку. В примере или ваша или моя с выбором любого параграфа.

На файле 005 все работает как положено, на файле 006 программа не работает.
Причем на сайтеhttps://regex101.com на обоих примерах обе регулярки работают без проблем. А в программе вылетают на одном из параграфов (самый длинный).

В чем может быть проблема??? Или как ее определить что за проблема, у меня просто не открывается страница.

Новые блоги и статьи Все статьи Все блоги /
Оттенки серого Argus19 18.03.2026 Оттенки серого Нашёл в интернете 3 прекрасных модуля: Модуль класса открытия диалога открытия/ сохранения файла на Win32 API; Модуль класса быстрого перекодирования цветного изображения в оттенки. . .	SDL3 для Desktop (MinGW): Рисуем цветные прямоугольники с помощью рисовальщика SDL3 на Си и C++ 8Observer8 17.03.2026 Содержание блога Финальные проекты на Си и на C++: finish-rectangles-sdl3-c. zip finish-rectangles-sdl3-cpp. zip	Символические и жёсткие ссылки в Linux. algri14 15.03.2026 Существует два типа ссылок — символические и жёсткие. Ссылка в Linux — это запись в каталоге, которая может указывать либо на inode «файла-ИСТОЧНИКА», тогда это будет «жёсткая ссылка» (hard link),. . .	[Owen Logic] Поддержание уровня воды в резервуаре количеством включённых насосов: моделирование и выбор регулятора ФедосеевПавел 14.03.2026 Поддержание уровня воды в резервуаре количеством включённых насосов: моделирование и выбор регулятора ВВЕДЕНИЕ Выполняя задание на управление насосной группой заполнения резервуара,. . .
делаю науч статью по влиянию грибов на сукцессию anaschu 13.03.2026 прикрепляю статью	SDL3 для Desktop (MinGW): Создаём пустое окно с нуля для 2D-графики на SDL3, Си и C++ 8Observer8 10.03.2026 Содержание блога Финальные проекты на Си и на C++: hello-sdl3-c. zip hello-sdl3-cpp. zip Результат:	Установка CMake и MinGW 13.1 для сборки С и C++ приложений из консоли и из Qt Creator в EXE 8Observer8 10.03.2026 Содержание блога MinGW - это коллекция инструментов для сборки приложений в EXE. CMake - это система сборки приложений. Здесь описаны базовые шаги для старта программирования с помощью CMake и. . .	Как дизайн сайта влияет на конверсию: 7 решений, которые реально повышают заявки Neotwalker 08.03.2026 Многие до сих пор воспринимают дизайн сайта как “красивую оболочку”. На практике всё иначе: дизайн напрямую влияет на то, оставит человек заявку или уйдёт через несколько секунд. Даже если у вас. . .

@VladRost 6 / 5 / 2 Регистрация: 08.09.2015 Сообщений: 95

	Выбрать нужный параграф 06.02.2017, 23:25. Показов 1384. Ответов 14 Метки нет (Все метки) Добрый день! Подскажите как выбрать нужный параграф из HTML страницы. В нужном параграфе есть текст XXX /<p.?XXX.?p>/s - захватывает вместе с нужным, все предыдущие параграфы. Пример <p rhrh rhrr > ejej </p><p jeje ehe > df XXX hg</p> 0

@Igsit 142 / 142 / 63 Регистрация: 18.07.2014 Сообщений: 473
	07.02.2017, 04:43
	Попробуйте так: /<p[^>]>[^<]XXX[^<]<\/p>/isU Добавлено через 2 минуты* если в параграфе будут ещё теги то так: /<p[^>]>.XXX.*<\/p>/isU 1

@VladRost 6 / 5 / 2 Регистрация: 08.09.2015 Сообщений: 95
	07.02.2017, 04:55 [ТС]
	*/<p[^>]>[^<]XXX[^<]<\/p>/isU да, это будет работать. Но если нет тэгов внутри параграфа а второй /<p[^>]>.XXX.<\/p>/isU* опять захватывает все. Я вот не могу сообразить - исключить два символа подряд в комбинации возможно? Тогда минусовка p> перед XXX решила бы проблему. Тэги внутри параграфа конечно есть. 0

@Igsit 142 / 142 / 63 Регистрация: 18.07.2014 Сообщений: 473
	07.02.2017, 05:49
	Можно сыграть на том что известно какие теги есть внутри параграфа, т.к. параграфы не могут быть вложенными, если такой вариант сойдёт то можно перечислять в шаблоне теги которые встречаются внутри параграфа. Ну или какой-то другой способ поиска текста, я бы подумал если Вы предоставите подробнее текст поиска и пример текста где будет происходить поиск. 1

@VladRost 6 / 5 / 2 Регистрация: 08.09.2015 Сообщений: 95
	07.02.2017, 07:35 [ТС]
	Спасибо за помощь. Известные теги я понимаю как выцепить Задача в целом: (может я неправильно делаю Есть несколько файлов из Word с данными. составлены по определенному принципу. Мне нужно эти данные выцепить и загнать в таблицу. Заставить пользователя переделывать в Excel - практически нереально. Да и задача не очень сложная. 1.Сохраняю файл в ворде как html с фильтром (когда картинки отдельно в папке). Он разбросал весь текст на параграфы со своими стилями и т.п. 2.Обрабатываю получившийся файл, разбирая параграфы. Почему хотел сделать более менее универсальным? Текстов много и ворд скорее всего сделает каждый немного по-своему, стараясь придать сходство с оригиналом. Но параграфы будут по любому. Почему не в текст и разбирать? Текст в ворде содержит и картинки и формулы. При переводе в вэб - все это хорошо переводится и сохраняется. Удобно и в базе хранить и выводить потом в виде страницы. 3. Хотелось сделать что-то универсальное, чтобы потом пользователь(продвинутый) мог сам проделывать подобные манипуляции, без программиста. 0

@Igsit 142 / 142 / 63 Регистрация: 18.07.2014 Сообщений: 473
	07.02.2017, 15:33
	Вообще из-за вложенности тегов парсить html регулярками достаточно не просто, я в таких случаях работаю со структурой html а точнее перевожу его в xml и там уже ищу что мне нужно, с xml можно работать как с объектом (simplexml) или c помощью xpath. Ещё один момент: файлы word а именно docx представляют из себя zip-архив в котором лежат xml файлы, возможно то что Вам нужно проще проделывать именно с этими файлами, т.е. без преобразования документа. 1

@VladRost 6 / 5 / 2 Регистрация: 08.09.2015 Сообщений: 95
	07.02.2017, 17:02 [ТС]
	Тоже вариант. Хотя посмотрел я этот docx. там черт ногу сломит, лучше родной htm Например в тексте встречаются формулы типа H₂SO₄ В HTML просто SUB-ами экранируется, их же можно потом и в готовую страницу выдавать в браузере. И ворд при сохранении в HTM сразу так и делает. А вордовский DOCX слишком хитро все закручивает. Картинки опять же. Про регулярку спросил - думал получится изящно, одной ~~левой~~ строкой... Спасибо за подсказки, буду спокойно разбирать теги, это на мой взгляд несложно. Если вдруг соображу с регуляркой - напишу. 0

@Igsit 142 / 142 / 63 Регистрация: 18.07.2014 Сообщений: 473
	07.02.2017, 17:43
	Вот попробуйте, я не проверял но должно работать: /<p[^>]> ([^<]\|<[^p]\|<p[^\s])XXX([^<]\|<[^p]\|<p[^\s])*<\/p>/isU 1