ASP提取html内指定内容

服务器端拿到的内内容HTML常常是一整块“脏数据”——导航栏、广告位、指定脚本标签全混在一起。内内容我干过最蠢的指定事，就是内内容用正则硬啃一个5000行的页面，最后被嵌套div逼到崩溃。指定后来才明白，内内容ASP里提取指定内容，指定核心思路就一句话：先定位到目标区域，内内容再缩小范围，指定最后用正则或字符串函数精准切分。内内容别想着一步到位，指定那只会让代码变成一团乱麻。内内容

举个实际例子。指定我有个老项目，内内容需要从第三方网站抓取商品价格。那个页面结构大概长这样：<div class="price-box"><span id="price">￥299</span></div>。如果直接全页匹配￥(\d+)，很可能把页面里其他推荐商品的价格也捞进来。我的做法是先用InStr找到id="price"的位置，从这个点往后截取200个字符，再在这段小范围内用正则提取数字。范围一缩小，误报率直接降了八成。

正则这东西，ASP里用的是VBScript的RegExp对象。别嫌它老，对付静态HTML绰绰有余。比如要提取所有标签的src属性，写法很直白：

Set reg = New RegExp reg.Pattern = "<img[^>]+src=[""']([^""']+)[""']" reg.Global = True Set matches = reg.Execute(htmlStr) For Each m In matches Response.Write m.SubMatches(0) & "<br>" Next

注意那个[^>]+，它确保匹配不会跨过标签边界。我曾见过有人用.*?非贪婪模式，结果遇到属性里含>的奇葩写法就翻车。写正则，宁可多写几个字符限定范围，也别偷懒。

但正则不是万能药。如果目标内容在页面里出现多次且结构相似，比如一个商品列表里有十几个<li class="item">，每个里面都有名称和价格。这时候我会先按<li class="item">把整个HTML拆成数组，再对每个数组元素单独提取。用Split函数就行，比正则循环快得多，逻辑也清晰。拆完之后的每个小块，再用正则提取细节，几乎不会出错。

还有个坑必须提——编码问题。抓回来的页面要是UTF-8，而你的ASP页面是GB2312，直接处理就是满屏乱码。我习惯在拿到HTML源码后，第一时间用ADODB.Stream转码，或者用BytesToBstr函数处理。这步不做，后面提取出来的中文全是问号，白忙活。

最后说个取巧的技巧。如果目标内容刚好在某个唯一的标记之后，比如<title>这里</title>，那连正则都不用。直接Mid(html, InStr(html, "<title>") + 7, InStr(html, "</title>") - InStr(html, "<title>") - 7)，一行搞定。字符串函数比正则执行快，尤其处理大页面时，差别能到几十毫秒。反正我的原则是：能用InStr和Mid解决的，绝不搬正则。

做这活儿久了，我最大的体会是：解析HTML前，先花两分钟用浏览器开发者工具看看目标元素的父级结构，比闷头写代码省事十倍。有一次我为了提取一个表格数据，写了三十多行正则还各种漏，后来发现那个表格有固定id，直接Split三次就拿到了。工具是死的，思路得活。