关于html:Regex解析超链接和描述

关于html:Regex解析超链接和描述

Regex to Parse Hyperlinks and Descriptions

C#:什么是解析超链接及其描述的好的Regex?

请考虑大小写不敏感,空格以及HREF标记周围使用单引号(而不是双引号)的情况。

还请考虑获取在标记内具有其他标记的超链接,例如
---------------------------------


只要没有嵌套标签(没有换行符),以下变体就可以很好地工作:

1
(.*?)

一旦嵌套标签起作用,正则表达式就不适合解析。但是,您仍然可以通过应用现代解释器的更多高级功能来使用它们(取决于正则表达式计算机)。例如。 .NET正则表达式使用堆栈;我找到了这个:

1
(?:.*?)[""'].*?>)(?<name>(?>(?<DEPTH>)|(?<-DEPTH>)|.)+)(?(DEPTH)(?!))(?:)

资料来源:http://weblogs.asp.net/scottcate/archive/2004/12/13/281955.aspx


请参阅StackOverflow的以下示例:用于解析网页链接的正则表达式?

使用HTML Agility Pack,您可以解析html,并使用HTML的语义(而不是损坏的正则表达式)提取详细信息。


我有一个可处理大多数情况的正则表达式,尽管我相信它确实与多行注释中的HTML匹配。

它使用.NET语法编写,但应易于翻译。


我发现了这一点,但显然这些家伙对此有一些问题。

编辑:(有效!)
我现在已经完成了自己的测试,发现它可以正常工作,我不知道C#,所以我不能给您C#答案,但是我确实知道PHP,这是从此运行它返回的matchs数组:

1
2
3
Text

array(3) { [0]=> string(52)"Text" [1]=> string(15)"pages/index.php" [2]=> string(4)"Text" }

这是一个匹配平衡标签的正则表达式。

(????(>()|(< - 深度>)|)+)(?!(深度)())?:(?。?""[""] *>)(:)


现在,只要我能正常工作,就将它扔掉。..这是一个较不贪心的版本。如果输入具有多个超链接,则原始的行不通。下面的代码将允许您循环浏览所有超链接:

1
2
3
4
5
6
7
8
static Regex rHref = new Regex(@"[^""^']+[.]*?)[""'].*?>(?<keywords>[^<]+[.]*?)", RegexOptions.IgnoreCase | RegexOptions.Compiled);
public void ParseHyperlinks(string html)
{
   MatchCollection mcHref = rHref.Matches(html);

   foreach (Match m in mcHref)
      AddKeywordLink(m.Groups["keywords"].Value, m.Groups["url"].Value);
}


推荐阅读