正则爬取网页内容

Chlrun

网页如下图




源码如下






只爬取问题题目和选项答案什么的是不是很麻烦?

只需要这样的
"

2211、 根据企业破产法律制度的规定，下列款项中，应当从破产财产中最先拨付的是_____
A: 破产企业所欠职工工资和劳动保险费用  B: 破产企业所欠税款  C: 银行贷款  D: 破产案件的诉讼费用
参考答案: D 本题解释:【答案】D。解析：《企业破产法》第113条规定，破产财产在优先清偿破产费用和共益债务后，依照下列顺序清偿：（一）破产人所欠职工的工资和医疗、伤残补助、抚恤费用，所欠的应当划入职工个人账户的基本养老保险、基本医疗保险费用，以及法律、行政法规规定应当支付给职工的补偿金；……注意，是在有限清偿破产费用和共益债务后才按顺序清偿，而破产案件的诉讼费用即属于破产费用。故D正确。

2212、 “知之者不如好之者，好之者不如乐之者”，这一论述强调的学习动机类型是_____。
A: 自我提高动机  B: 外部动机  C: 社会交往动机  D: 内部动机
参考答案: 本题解释:【答案】D。

2213、 社会主义民主的本质是_____。
A: 民主集中制  B: 共产党的领导  C: 人民当家作主  D: 坚持社会主义道路
参考答案: C 本题解释:【答案】C。解析:社会主义民主政治本质上是人民当家作主。国家一切权力属于人民。共产党执政就是领导和支持人民掌握管理国家的权力，实行民主选举、民主决策、民主管理和民主监督，保证人民依法享有广泛的权利和自由，尊重和保障人权。故本题答案选C.

"
用什么办法会比较方便呢...


例子网址
http://www.6say.com/zhenticeshi/moni/14064.html

hanyuhang1995

<p><br />([\s\S]*?)</p>         再用子文本替换替换掉中间的网页标记

待删用户

(\d+、[\s\S]*?)<br />([\s\S]*?)</p>


补充内容 (2017-9-2 12:11):
子文本2里面符号用子文本替换

m105766

好像只能分两次
1. 用(\d+、 (.+)?)<br[\s\S]*?(A: (.+)?(.+)?)<br[\s\S]*?(参考答案:[\s\S]*?)p>初步提取
2. 用[a-z]|[&|/|.|"|=|<|>|;]+ 替换
网址里有个"66"会残留下来,但并不影响阅读.一定要删掉也容易