从html web scrape中提取字符串

Question

我正在寻找关于我正在努力的网络抓取脚本的一些指导。

一切进展顺利，但我坚持剥离图像文件数据。

我现在正在做一个WebRequest，按类获取元素，选择outerHTML，但是需要根据这个例子去掉属性data-imagezoom的内容。

样本数据：

<a class="aaImg" href="https://imagehost.ssl.server123.com/Product-800x800/image.jpg">
    <img class="aaTmb" alt="Matrix 900 x 900 test" src="https://imagehost.ssl.server123.com/Product-190x190/image.jpg" item="image"
         data-imagezoom="https://imagehost.ssl.server123.com/Product-1600x1600/image.jpg" data-thumbnail="https://imagehost.ssl.server123.com/Product-190x190/image.jpg">
    </img>
</a>

获取该数据的当前代码：

$ProductInfo = Invoke-WebRequest -Uri $ProductURL
$ProductImageRaw = $ProductInfo.ParsedHTML.body.getElementsByClassName("aaImg") |
                   Select outerHTML

通过轻松选择href属性，我显然可以获得第一张图像。

通过将1600x800替换为1600x1600，因为文件名相同，只是一条不同的路径，我是'脏编码'，但是当路径名不一致时，这种情况很快就会发生。

Answer 1

你需要访问外部qazxsw poi元素qazxsw poi子元素并调用它的<a>方法来获取感兴趣的属性值：

<img>

• .getAttribute()返回第一个子节点（元素）

• $ProductInfo.ParsedHTML.body.getElementsByClassName("aaImg").
    childnodes[0].getAttribute('data-imagezoom')

  返回.childnodes[0]属性的值。[1]

这应该返回字符串.getAttributes('data-imagezoom')。

---

至于data-imagezoom：

使用正则表达式（或子字符串搜索）来解析HTML和XML等结构化数据是很脆弱的，最好避免使用。 例如，如果源HTML更改为在属性值周围使用https://imagehost.ssl.server123.com/Product-1600x1600/image.jpg而不是your own answer，则解决方案会中断（这种特殊情况在正则表达式中并不难解释，但是还有很多方法可以解决此类解析）。

---

跨平台视角：

遗憾的是，带有HTML DOM的'...'属性仅在Windows PowerShell中可用（并且其COM实现很麻烦且在PowerShell中使用起来很慢）。

即使在Windows上，PowerShell Core也不支持它，并且没有可用的内置HTML解析器（从PowerShell Core 6.2.0开始）。

"..." NuGet包是一个流行的开源HTML解析器，但它针对C＃，因此在PowerShell中安装和使用非常重要。

也就是说，.ParsedHTML的HtmlAgilityPack有一个工作示例，可以按需下载所需的程序集。

---

[1]请注意，this answer是访问自定义属性所必需的，而标准属性（如TheIncorrigible1和.getAttribute()元素id）直接表示为对象属性（例如，<a>;请注意href也适用于标准属性。 ）

Answer 2

因此，在一些Regex的快速速成课程之后，这就是我想出来的。

.id

一个积极的lookbehind，选择所有直到结束引号和空格。

谢谢大家。