Блог

У меня есть HTML-файл со следующим содержимым:

 </div><div class=""more-detail-caption"">More Numbers :</div><div id=""moreHLNumbers"" title=""HSBC" bank="" helpline="" number"="" class=""more-detail-text""><a href='tel:18605002277'>1860 500 2277 </a><a class='cchlOtherNoDescription'>( Credit Card - From India )</a><br><a href='tel:18602662667'>1860 266 2667 </a><a class='cchlOtherNoDescription'>( Personal Banking - From India )</a><br><a href='tel:18605002255'>1860 500 2255 </a><a class='cchlOtherNoDescription'>( Personal Banking - From India )</a><br><a href='tel:18004192266'>1800 419 2266 </a><a class='cchlOtherNoDescription'>( Corporate Cards - From India )</a><br><a href='tel:18001026922'>1800 102 6922 </a><a class='cchlOtherNoDescription'>( Corporate Cards - From India )</a><br><a href='tel:18002673456'>1800 267 3456 </a><a class='cchlOtherNoDescription'>( HSBC Advance - From India )</a><br><a href='tel:18001022208'>1800 102 2208 </a><a class='cchlOtherNoDescription'>( HSBC Advance - From India )</a><br><a href='tel:18002663456'>1800 266 3456 </a><a class='cchlOtherNoDescription'>( HSBC Premier - From India )</a><br><a href='tel:18001034722'>1800 103 4722 </a><a class='cchlOtherNoDescription'>( HSBC Premier - From India )</a><br><a href='tel: 912266800001'>022 66800001 </a><a class='cchlOtherNoDescription'>( Credit Card - From Overseas )
  

Я хочу извлечь эти числа с помощью регулярного выражения вместе с его описанием. Например:
«1860 266 2667 (личный банкинг — из Индии)». Наряду с этим соответствующий xpath, используя c #.
До сих пор я выяснил следующий код, который только удаляет лишние теги и определяет регулярное выражение для извлечения чисел.

     using System.IO;
using System.Linq;
using HtmlAgilityPack;
using System.Text.RegularExpressions;

namespace ConsoleApp1
{

    public class Program
    {

        private static string phoneReg = @"[ ]{0,1}(d{10,13}|[(][ ]{0,1}d{2,}[13)]*d{5,13}|d{2,6}[-]{1}d{2,13}[-]*d{3,13})";
        private static Regex phoneRegex = new Regex(phoneReg, RegexOptions.IgnoreCase);
        public static void Main()
        {

            HtmlDocument doc = new HtmlDocument();
            doc.Load(@"C:htmldochtmlsample.html");
            doc.DocumentNode.Descendants()
                            .Where(n => n.Name == "script" || n.Name == "style" || n.Name == "svg" || n.Name == "button"
                                  || n.Name == "li" || n.Name == "link" || n.Name == "img" || n.Name == "head" || n.Name == "header" || n.Name == "input")
                            .ToList()
                            .ForEach(n => n.Remove());
            var phoneMatches = phoneRegex.Matches(doc.DocumentNode.InnerText);
            File.WriteAllText(@"C:htmldocnew.html", doc.DocumentNode.InnerHtml.Replace(@"t", ""));
        }
    }
}
  

Однако я также сталкиваюсь с некоторыми проблемами при извлечении чисел.
Может кто-нибудь, пожалуйста, помочь мне с проблемой.

Заранее спасибо.

Я не уверен, что мое решение будет соответствовать вашим конкретным потребностям, но, я думаю, оно должно быть близко…

При желании можно использовать «ForEach», определенный в MoreLINQ (вместо моего ApplyForEachItem).

В качестве ссылки я использовал https://regex101.com / чтобы сделать мои тесты reges, которые кажутся великолепными.

 using System.IO;
using System.Linq;
using HtmlAgilityPack;
using System.Text.RegularExpressions;
using System.Diagnostics;
using System.Collections.Generic;
using System;

namespace SoQuestion
{
    class Program
    {
        // private static string phoneReg = @"[ ]{0,1}(d{10,13}|[(][ ]{0,1}d{2,}[13)]*d{5,13}|d{2,6}[-]{1}d{2,13}[-]*d{3,13})";

        private static string phoneReg = @"s d[ d] rn. rn";

        private static Regex phoneRegex = new Regex(phoneReg, RegexOptions.IgnoreCase);
        public static void Main(string[] args)
        {
            HtmlDocument doc = new HtmlDocument();
            doc.Load(@"C:tempHTMLPage1.html");
            doc.DocumentNode.Descendants()
                            .Where(n => n.Name == "script" || n.Name == "style" || n.Name == "svg" || n.Name == "button"
                                  || n.Name == "li" || n.Name == "link" || n.Name == "img" || n.Name == "head" || n.Name == "header" || n.Name == "input")
                            .ToList()
                            .ForEach(n => n.Remove());
            var phoneMatches = phoneRegex.Matches(doc.DocumentNode.InnerText);

            List<Tuple<string, string>> data = new List<Tuple<string, string>>();

            ApplyForEachItem(phoneMatches, match =>
            {
                int indexFirstDigit = match.Value.IndexOfAny(new char[]{'1', '2', '3', '4', '5', '6', '7', '8', '9', '0' });

                string[] phoneAndDesc = match.Value.Substring(indexFirstDigit).Split("rn");
                data.Add(new Tuple<string, string>(phoneAndDesc[0].Trim(), phoneAndDesc[1].Trim()));
            });

            ApplyForEachItem(data, item => Debug.Print($"Phone: '{item.Item1}', Desc = '{item.Item2}' rn"));
        }

        public static void ApplyForEachItem<T>(IEnumerable<T> enumerable, Action<T> action)
        {
            if (enumerable == null)
            {
                return;
            }

            foreach (T t in enumerable)
            {
                action(t);
            }
        }
    }
}
  

Результат:

 Phone: '1860 500 2277', Desc = '( Credit Card - From India )' 
Phone: '1860 266 2667', Desc = '( Personal Banking - From India )' 
Phone: '1860 500 2255', Desc = '( Personal Banking - From India )' 
Phone: '1800 419 2266', Desc = '( Corporate Cards - From India )' 
Phone: '1800 102 6922', Desc = '( Corporate Cards - From India )' 
Phone: '1800 267 3456', Desc = '( HSBC Advance - From India )' 
Phone: '1800 102 2208', Desc = '( HSBC Advance - From India )' 
Phone: '1800 266 3456', Desc = '( HSBC Premier - From India )' 
Phone: '1800 103 4722', Desc = '( HSBC Premier - From India )' 
Phone: '022 66800001', Desc = '( Credit Card - From Overseas )'