Почему Regex не находит в строке?

Question

Я делаю такой проект, в котором вводишь сколько долларов, и потом программа говорит тебе доллары в рублях. Я использую WebClient. Я написал что WebClient выполняет метод DownloadDataAsync, а потом написал событие DownloadDataCompleted. После, я создал метод в котором всё это обрабатывается. Я добавил Regex. С помощью символа .*? я попробовал найти из самой страницы cbr.ru всё что нужно. Я выбрал вот эту часть страницы:

<tr>
   <td class="">840</td>
   <td class="">USD</td>
   <td class="">1</td>
   <td class="">Доллар США</td>
   <td class="">77,2759</td>
</tr>

Когда я начал выполнять код, то, при выводе он не может найти группу( (.*?) ) Вот сам код:

using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.IO;
using System.Linq;
using System.Net;
using System.Text;
using System.Text.RegularExpressions;
using System.Threading.Tasks;
using System.Windows.Forms;

namespace PARSER
{
    public partial class Form1 : Form
    {
        public Form1()
        {
            InitializeComponent();
        }

        private void DataCallback(Object sender, DownloadDataCompletedEventArgs e)
        {
            byte[] data = (byte[])e.Result;
            string textData = System.Text.Encoding.UTF8.GetString(data);
            Match match = Regex.Match(textData, "<tr><td class=\"\">840</td><td class=\"\">USD</td><td class=\"\">1</td><td class=\"\">Доллар США</td><td class=\"\">(.*?)</td></tr>", RegexOptions.Singleline);
            richTextBox1.Text = "lol" + match.Groups[1].ToString();
        }
        async private void button1_Click(object sender, EventArgs e)
        {
            double dollars = Convert.ToDouble(textBox1.Text);

            using (WebClient webClient = new WebClient())
            {
                webClient.DownloadDataCompleted += new DownloadDataCompletedEventHandler(DataCallback);
                webClient.DownloadDataAsync(new Uri("https://www.cbr.ru/currency_base/daily/"));
            }
        }
    }
}

P.s.: я хочу сначала получить цену доллара, потом уже из textBox1 получить правильное произведение.

Answer 1

Не самое хорошее решение использовать регулярки для парсинга HTML страниц. При любом изменении контента страницы ваша регулярка перестанет работать. Посмотрите в сторону - html-agility-pack

Если говорить о вашем решение то вы не учли несколько моментов:

Экранировать символ '/'
Наличие спецсимволов между тегами новых строк

Если исправлять ваше решение, то регулярное выражение может выглядеть так:

<tr>\W*<td class=\"\">840<\/td>\W*<td class=\"\">USD<\/td>\W*<td class=\"\">1<\/td>\W*<td class=\"\">Доллар США<\/td>\W*<td class=\"\">(.*?)\W*<\/td>\W*<\/tr>

UPD: Что бы не было разночтений приведу код на C#

        var html = @"
        <tr>
        <td class="""">840</td>
        <td class="""">USD</td>
        <td class="""">1</td>
        <td class="""">Доллар США</td>
        <td class="""">77,2759</td>
        </tr>";
    
    
        var result = Regex.Match(html, "<tr>\\W*<td class=\"\">840<\\/td>\\W*<td class=\"\">USD<\\/td>\\W*<td class=\"\">1<\\/td>\\W*<td class=\"\">Доллар США<\\/td>\\W*<td class=\"\">(.*?)\\W*<\\/td>\\W*<\\/tr>", RegexOptions.Singleline);

        if (result.Success)
        {
            Console.WriteLine($"full match: {result.Groups[0].Value}");
            Console.WriteLine($"dollar rate: {result.Groups[1].Value}");
        }

Answer 2

Использовать регулярки для парсинга - не самая лучшая идея. (You can't parse [X]HTML with regex).

Но если вы хотите, то используйте @ перед строкой, учитывайте пробельные символы и уберите class="", потому что там нет такого:

Regex.Match(textData, 
       @"<tr>\s*<td>840</td>\s*<td>USD</td>\s*<td>1</td>\s*<td>Доллар США</td>\s*<td>(.*?)</td>\s*</tr>"

Answer 3

Не стоит под такие задачи использовать регулярки (см. Проблема XY), стоит использовать парсеры html такие как AngleSharp или HtmlAgilityPack.

Ваш пример на AngleSharp:

var source = @"<html><body><table><tr>
       <td class="""">840</td>
       <td class=""myclass"">USD</td>
       <td class="""">1</td>
       <td class="""">Доллар США</td>
       <td class="""">77,2759</td>
    </tr></table></body></html>";

var parser = new HtmlParser();
var document = parser.ParseDocument(source);

var currency = document.QuerySelector("td.myclass");
Console.WriteLine(currency.TextContent);

Answer 4

HTML - это не регулярная структура, поэтому парсить HTML регулярками - очень медленно и сложно. Лучше использовать готовый парсер, например HtmlAgilityPack.
WebClient устарел, лучше использовать HttpClient вместо него.

При том у вас большая регулярка получает только одну валюту, но можно загрузить все.

Для хранения данных валюты, полученных из таблицы, я создал класс

public class Currency
{
    public int Id { get; set; }
    public string Name { get; set; }
    public int Quantity { get; set; }
    public string Text { get; set; }
    public double Value { get; set; }
}

Далее, я установил 2 NuGet пакета

HtmlAgilityPack - сам парсер
Fizzler.Systems.HtmlAgilityPack - его расширение QuerySelector

QuerySelector принимает на вход тот же синтаксис запроса, который используется в querySelector в JavaScript.

Получился вот такой код:

using HtmlAgilityPack;
using Fizzler.Systems.HtmlAgilityPack;

public partial class Form1 : Form
{
    private static HttpClient client = new HttpClient();

    public Form1()
    {
        InitializeComponent();
    }

    private async void button1_Click(object sender, EventArgs e)
    {
        try
        {
            double amount = double.Parse(textBox1.Text);
            List<Currency> currencies = await GetCurrenciesAsync();
            Currency usd = currencies.FirstOrDefault(x => x.Name == "USD");
            double usdValue = usd.Value / usd.Quantity;
            richTextBox1.Text = (usdValue * amount).ToString();
        }
        catch (Exception ex)
        {
            MessageBox.Show(ex.Message);
        }
    }

    private async Task<List<Currency>> GetCurrenciesAsync()
    {
        string html = await client.GetStringAsync("https://www.cbr.ru/currency_base/daily/");
        HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
        doc.LoadHtml(html);
        IEnumerable<HtmlNode> nodes = doc.DocumentNode.QuerySelectorAll(".data tbody tr");
        List<Currency> currencies = new List<Currency>();
        foreach (HtmlNode node in nodes)
        {
            string[] cells = node.QuerySelectorAll("td").Select(x => x.InnerText).ToArray();
            if (cells.Length == 5)
            {
                currencies.Add(new Currency
                {
                    Id = int.Parse(cells[0]),
                    Name = cells[1],
                    Quantity = int.Parse(cells[2]),
                    Text = cells[3],
                    Value = double.Parse(cells[4])
                });
            }
        }
        return currencies;
    }
}

Ввожу в textBox1 число 2, получаю вывод в richTextBox1 - 154,5518. При этом все валюты загружены, можно курс любой валюты получить и использовать точно таким же образом.

Но с ЦБР можно обойтись без парсинга HTML - у них есть API. Можно создать классы для хранения данных, полученных из JSON и распарсить одной строчкой кода с помощью NuGet пакета Newtonsoft.Json или, если у вас .NET Core 3.1 или новее, то с помощью встроенного в фреймворк JSON парсера System.Text.Json.

БЛОГ НА HUSL

Почему Regex не находит в строке?

Ответы (4 шт):