Извлечение HTML-текста с помощью регулярного выражения?

Question

Я пишу an importer for PHPbb to Discourse, используя Ruby.

Все по базе данных PHPBB являются строками, как

<!-- s:(--><img src="{SMILIES_PATH}/rice_frown.png" alt=":(" title="Frown" /><!-- s:(--> 
<!-- s:'(--><img src="{SMILIES_PATH}/rice_crying.png" alt=":'(" title="Crying" /><!-- s:'(--> 

мне нужно заменить строку с символами в атрибуте альт, поэтому для выше мне нужно :( и :'(. Я заменяю другие вещи регулярными выражениями, но я не могу получить правильный шаблон для этого.

Answer 1

Поскольку люди всегда бывают быстры, чтобы указать, you can't completely parse HTML with regex. Однако это не значит, что вы не можете делать полезные вещи с HTML и регулярным выражением. В вашем случае это не особо трудная проблема. Попробуйте это:

<img .*?alt="(.*?)".*?> 

И просто заменить эти матчи с первой группой:

input.gsub /<img .*?alt="(.*?)".*?>/i, '\1' 

Если вы действительно хотите быть SUPER РОБАСТНЫМИ, вы можете куклу, что регулярное выражение вверх немного:

s.gsub /<\s*img .*?al­t\s*=\s*([­"'])(.*?)\­1.*?>/i, '(\2)­' 

Эта инструкция обрабатывает следующие варианты (примечание, пробел, тип котировки и капитализация):

< img alt="foo" /> 
<IMG alt="foo" /> 
<img alt = "foo" /> 
<img alt='foo' /> 

И так далее ....

Answer 2

Есть лодки библиотек, которые позволяют загружать HTML. Наиболее известным является Nokogiri, с помощью которого вы можете сделать

string = '<!-- s:(--><img src="{SMILIES_PATH}/rice_frown.png" alt=":(" title="Frown" /><!-- s:(-->' 
alt_str = Nokogiri::HTML(string).css("img").first["alt"]