3

使用正则表达式我想提取包含在某些 HTML 文本中的文件或图像的所有链接。尝试了几个例子，但由于很多原因都失败了（主要是我不擅长正则表达式:)）

1）首先我试过这个：

> Regex("<img[^>]+src=[""']([^""']+)[""']", RegexOptions.Singleline Or
> RegexOptions.IgnoreCase)

（它适用于图像）

2）然后这个：

Regex("href=[""']([^""']+)[""']", RegexOptions.Singleline Or RegexOptions.IgnoreCase)

1）提取所有图像，它工作正常，但这只是部分解决方案。2）提取所有href =“asdf”，但我只想提取指向文件的href，我不想要锚（#middlesection）或.aspx甚至没有像href =“www.google.com/site”这样的扩展名的url

我想知道如何从给定文本中提取所有文件，作为以点和三个字符结尾的任何链接的文件:)

我对“.aspx”或“.html”不感兴趣，对“id_content=99”之类的无扩展网址也不感兴趣，也对“#anchor123”之类的锚点不感兴趣。

是否可以将其打包到一个 RegExp 中？这一切背后的想法是，我必须将某些 HTML 中引用的每个文件从一个地方复制到另一个地方，因此我需要一个仅包含要复制的文件路径的 ArrayList。

提前致谢！

添加了一些示例代码，只是为了澄清这与“野外”html 无关

给出这个代码：

<p>This is a paragraph</p>
<br>
<a href="#someplace">Go to someplace</a>
<ul>
    <li><p><a href="../files/document.pdf">Important PDF 1</a></p></li>
    <li><p><a href="../files/document.xls">Important XLS</a></p></li>
</ul>
<a href="content.aspx?id_content=55">Go to content 55</a>
<br>
<img src="../images/nicelogo.jpg">

我想得到这个：

"../files/document.pdf"
"../files/document.xls"
"../images/nicelogo.jpg"

我不想得到这个：

"#someplace"
"content.aspx?id_content=55"

就是这样，使用我拥有的 reg exp，我得到了所有链接，我只想要那些代表文件的链接。HTML 是我手写的（长篇大论），因此不会出现奇怪的双双引号或格式错误的标签或奇怪的字符。

我知道它可以做到，因为它几乎完成了，我只是不知道如何告诉我“只给我最后有“.something”的匹配项是“something”一个三个字符的长字符串”。我清楚了吗？:)

4

3 回答 3

1

根据您的示例，大部分表达式不应匹配问号、片段哈希或双引号：

"([^?#"]*)\.[a-z]{3,4}"

最后一部分是强制在 3 到 4 个字符之间加上句点。

编辑

要捕获双引号之间的部分：

"(([^?#"]*)\.[a-z]{3,4})"

不确定如何避免使用 ASP 对基本名称进行内存捕获，在 PCRE 中您将使用?:

于 2012-10-03T06:17:23.107 回答
0

您真的不想尝试自己解析 URL。有各种格式可以引用资源。您可以src=foo不使用引号, src='foo', src="foo", 您可以包含本身引用其他资源的样式表，您需要进行实体解码 ( src='f&quot;oo') 和 URL 编码 ( src='f o o')，并处理相对 URL 和绝对 URL（您知道吗src='//somesite.com/blah'？？） 等等。还有你提到的问题，可能还有更多我没有想到的问题。StackOverflow 上已经有很多关于为什么尝试使用 RegEx 解析 HTML 是一个坏主意的问题，答案从严肃到幽默不等。src='http://somesite.com/blah'src='somesite.com/blah'

相反，为什么不使用已经解决问题的现有工具，比如wget？请参阅 wget 的递归下载支持以跟踪链接并爬取站点以获取参考资源。

于 2012-10-02T22:43:19.533 回答
0

像这样的东西应该工作：

<a href=\"(.*\.[a-z0-9]{3})\"

但如果是这样，你必须向我保证，当你后悔为此使用正则表达式时，你会回来并在这里发表评论。

于 2012-10-03T03:32:29.653 回答