求~正则表达式如何匹配网页里的文本段落 ！

kitsilence

如题，我们知道网页包含很多内容，标签和正文...

1. </TD></TR></TBODY></TABLE></STRONG></P>
   
2. <P>　　现如今，多给孩子选择课外辅导成为风气，除了正常课堂再上一两门课外课的现象再普通不过。很多家长认为紧凑安排辅导课能更好帮助孩子，因为这样可以为孩子提供一个长时间的英语学习环境，总能让学习时间的量变产生考试成绩的质变。但是这样的想法是万万不可取的。采访中，王老师提到孩子不是机器，也是独立的个体，家长应该充分尊重其对知识学习的需求和节奏特点，课外辅导的时间累积绝对不能直接等同于成绩的提高，一旦造成孩子对英语辅导的逆反情绪，会带来更加麻烦的后果。</P>
   

复制代码

，上面只是示例，正文的内容可能是外文。假设一张网页的全部内容已经得到为 $content，
现在要判断$content里面是不是有一段或者更多文本段落（假设是中文），请问这个正则表达式应该怎么写

kitsilence

怎么木有人围观一下下呢，是我表述的不清楚还是什么啊

zhlong8

什么叫文本段落？ <p> ？

xfoucs

m{<P>.*?</P>}
应该可以吧

kitsilence

回复 3# zhlong8


    (⊙o⊙)…~ 看来真是我表述的不清楚！我把实际需求告诉你好了。我写爬虫根据url去抓取某些网页，

    当然有url就意味我能得到该url对应网页的内容是吧，那不能说一拿到内容我就下载到本地，我得判断

    这个内容里边是不是包含了我想要的东西，我想要的是包含了中文文章的网页，就是上边说的文本段落

    ，你明白我的需求了吧！ 你说的用 <p>.*</p>这个能匹配我贴上的例子而已，但不是所有网页里对

     文章的排版都这样不是吗？

kitsilence

回复 4# xfoucs


    我想了又想，我最核心本质的问题可以理解为，怎么用正则式判断网页里是不是包含一篇或者一篇以上的中文文章

zhlong8

就是让你给“中文文章”这个下个定义，目前计算机还没先进到能理解这么复杂概念的程度啊

kitsilence

回复 7# zhlong8


  呵呵~ 是的！不过看来我还是没有说的更清楚些，我的意思是当我得到一个了一个网页的内容，例如我用

1. $ua = LWP::UserAgent->new();
   
2. $content = $ua->get("www.google.com.hk");
   
3. if($content =~ m{(\p{Han}+)}){
   
4. ... $1...
   
5. }

复制代码

这个时候就已经能匹配一句中文了吧，那如果网页里有连续的一段中文，我应该怎么匹配完这段中文呢

zhlong8

回复  zhlong8


  呵呵~ 是的！不过看来我还是没有说的更清楚些，我的意思是当我得到一个了一个网页的 ...
kitsilence 发表于 2011-04-01 00:23

    首先要根据页面的编码转码，然后用 while (//g) {} 之类的处理捕获的内容，或者转成树，只判断 <p> 标签里面的内容。当然中文中也可以插有字母、标点等判断标准还是很纠结的