powershell提取html字段,使用powershell以HTML格式检索文本

让这个问题如此有趣的原因在于,HTML看起来和气味就像XML一样,后者由于其良好的行为和有序的结构而具有更好的可编程性.在理想的世界中,HTML将是XML的一个子集,但现实世界中的HTML显然不是XML.如果您将问题中的示例提供给任何XML解析器,它将会避免各种违规行为.话虽如此,使用单行PowerShell可以实现所需的结果.这个返回href的全文：

Select-NodeContent $doc.DocumentNode "//a/@href"

这个提取所需的子字符串：

Select-NodeContent $doc.DocumentNode "//a/@href" "IP_PHONE_BACKUP-(.*)\.zip"

但是,捕获的是开销/设置,以便能够运行那一行代码.你需要：

>安装HtmlAgilityPack以使HTML解析看起来就像XML解析一样.

>如果要解析实时网页,请安装PowerShell Community Extensions.

>了解XPath能够构建到目标节点的可导航路径.

>了解正则表达式,以便能够从目标节点中提取子字符串.

满足这些要求后,您可以将HTMLAgilityPath类型添加到您的环境并定义Select-NodeContent函数,如下所示.代码的最后部分显示了如何为上述单行中使用的$doc变量赋值.我将展示如何根据您的需要从文件或Web加载HTML.

Set-StrictMode -Version Latest

$HtmlAgilityPackPath = [System.IO.Path]::Combine((Get-Item $PROFILE).DirectoryName,"bin\HtmlAgilityPack.dll")

Add-Type -Path $HtmlAgilityPackPath

function Select-NodeContent(

[HtmlAgilityPack.HtmlNode]$node,[string] $xpath,[string] $regex,[Object] $default = "")

{

if ($xpath -match "(.*)/@(\w+)$") {

# If standard XPath to retrieve an attribute is given,# map to supported operations to retrieve the attribute's text.

($xpath,$attribute) = $matches[1],$matches[2]

$resultNode = $node.SelectSingleNode($xpath)

$text = ?: { $resultNode } { $resultNode.Attributes[$attribute].Value } { $default }

}

else { # retrieve an element's text

$resultNode = $node.SelectSingleNode($xpath)

$text = ?: { $resultNode } { $resultNode.InnerText } { $default }

}

# If a regex is given,use it to extract a substring from the text

if ($regex) {

if ($text -match $regex) { $text = $matches[1] }

else { $text = $default }

}

return $text

}

$doc = New-Object HtmlAgilityPack.HtmlDocument

$result = $doc.Load("tmp\temp.html") # Use this to load a file

#$result = $doc.LoadHtml((Get-HttpResource $url)) # Use this PSCX cmdlet to load a live web page