问问题
149825 次
9 回答
96
我建议在正则表达式上使用 HTML 解析器，但这里仍然是一个正则表达式，它将在href每个链接的属性值上创建一个捕获组。它将匹配是否使用双引号或单引号。
<a\s+(?:[^>]*?\s+)?href=(["'])(.*?)\1
您可以在此处查看此正则表达式的完整说明。
片段操场：
const linkRx = /<a\s+(?:[^>]*?\s+)?href=(["'])(.*?)\1/;
const textToMatchInput = document.querySelector('[name=textToMatch]');
document.querySelector('button').addEventListener('click', () => {
console.log(textToMatchInput.value.match(linkRx));
});<label>
Text to match:
<input type="text" name="textToMatch" value='<a href="google.com"'>
<button>Match</button>
</label>于 2013-04-10T12:49:32.487 回答
13
regex不推荐使用解析html
regex用于定期出现的模式。html它的格式不规则（除了xhtml）。例如html，即使您没有closing tag! 这可能会破坏您的代码，文件也是有效的。
使用像htmlagilitypack这样的 html 解析器
您可以使用此代码检索href's锚标记中的所有内容HtmlAgilityPack
HtmlDocument doc = new HtmlDocument();
doc.Load(yourStream);
var hrefList = doc.DocumentNode.SelectNodes("//a")
.Select(p => p.GetAttributeValue("href", "not found"))
.ToList();
hrefList包含所有href`s
于 2013-04-10T12:57:47.223 回答
10
谢谢大家（特别是@plalx）
我发现用如此复杂和神秘的模式强制 href 属性的有效性是非常过分的，而一个简单的表达式 就足以捕获所有 URL。如果您想确保它们至少包含一个查询字符串，您可以使用
<a\s+(?:[^>]*?\s+)?href="([^"]*)"
<a\s+(?:[^>]*?\s+)?href="([^"]+\?[^"]+)"
我的最终正则表达式字符串：
首先使用其中一个：
st = @"((www\.|https?|ftp|gopher|telnet|file|notes|ms-help):((//)|(\\\\))+ \w\d:#@%/;$()~_?\+-=\\\.&]*)";
st = @"<a href[^>]*>(.*?)</a>";
st = @"((([A-Za-z]{3,9}:(?:\/\/)?)(?:[-;:&=\+\$,\w]+@)?[A-Za-z0-9.-]+|(?:www.|[-;:&=\+\$,\w]+@)[A-Za-z0-9.-]+)((?:\/[\+~%\/.\w-_]*)?\??(?:[-\+=&;%@.\w_]*)#?(?:[\w]*))?)";
st = @"((?:(?:https?|ftp|gopher|telnet|file|notes|ms-help):(?://|\\\\)(?:www\.)?|www\.)[\w\d:#@%/;$()~_?\+,\-=\\.&]+)";
st = @"(?:(?:https?|ftp|gopher|telnet|file|notes|ms-help):(?://|\\\\)(?:www\.)?|www\.)";
st = @"(((https?|ftp|gopher|telnet|file|notes|ms-help):((//)|(\\\\))+)|(www\.)[\w\d:#@%/;$()~_?\+-=\\\.&]*)";
st = @"href=[""'](?<url>(http|https)://[^/]*?\.(com|org|net|gov))(/.*)?[""']";
st = @"(<a.*?>.*?</a>)";
st = @"(?:hrefs*=)(?:[s""']*)(?!#|mailto|location.|javascript|.*css|.*this.)(?.*?)(?:[s>""'])";
st = @"http://([\\w+?\\.\\w+])+([a-zA-Z0-9\\~\\!\\@\\#\\$\\%\\^\\&\\*\\(\\)_\\-\\=\\+\\\\\\/\\?\\.\\:\\;\\'\\,]*)?";
st = @"http(s)?://([\w-]+\.)+[\w-]+(/[\w- ./?%&=]*)?";
st = @"(http|https)://([a-zA-Z0-9\\~\\!\\@\\#\\$\\%\\^\\&\\*\\(\\)_\\-\\=\\+\\\\\\/\\?\\.\\:\\;\\'\\,]*)?";
st = @"((http|ftp|https):\/\/[\w\-_]+(\.[\w\-_]+)+([\w\-\.,@?^=%&:/~\+#]*[\w\-\@?^=%&/~\+#])?)";
st = @"http://([\\w+?\\.\\w+])+([a-zA-Z0-9\\~\\!\\@\\#\\$\\%\\^\\&\\*\\(\\)_\\-\\=\\+\\\\\\/\\?\\.\\:\\;\\'\\,]*)?";
st = @"http(s?)\:\/\/[0-9a-zA-Z]([-.\w]*[0-9a-zA-Z])*(:(0-9)*)*(\/?)([a-zA-Z0-9\-\.\?\,\'\/\\\+&%\$#_]*)?$";
st = @"(?<Protocol>\w+):\/\/(?<Domain>[\w.]+\/?)\S*";
我的选择是
@"(?<Protocol>\w+):\/\/(?<Domain>[\w.]+\/?)\S*"
第二使用这个：
st = "(.*)?(.*)=(.*)";
问题解决了。感谢大家 ：）
于 2013-04-21T06:15:10.093 回答
7
尝试这个 ：
public partial class Form1 : Form
{
public Form1()
{
InitializeComponent();
}
private void Form1_Load(object sender, EventArgs e)
{
var res = Find(html);
}
public static List<LinkItem> Find(string file)
{
List<LinkItem> list = new List<LinkItem>();
// 1.
// Find all matches in file.
MatchCollection m1 = Regex.Matches(file, @"(<a.*?>.*?</a>)",
RegexOptions.Singleline);
// 2.
// Loop over each match.
foreach (Match m in m1)
{
string value = m.Groups[1].Value;
LinkItem i = new LinkItem();
// 3.
// Get href attribute.
Match m2 = Regex.Match(value, @"href=\""(.*?)\""",
RegexOptions.Singleline);
if (m2.Success)
{
i.Href = m2.Groups[1].Value;
}
// 4.
// Remove inner tags from text.
string t = Regex.Replace(value, @"\s*<.*?>\s*", "",
RegexOptions.Singleline);
i.Text = t;
list.Add(i);
}
return list;
}
public struct LinkItem
{
public string Href;
public string Text;
public override string ToString()
{
return Href + "\n\t" + Text;
}
}
}
输入：
string html = "<a href=\"www.aaa.xx/xx.zz?id=xxxx&name=xxxx\" ....></a> 2.<a href=\"http://www.aaa.xx/xx.zz?id=xxxx&name=xxxx\" ....></a> ";
结果：
[0] = {www.aaa.xx/xx.zz?id=xxxx&name=xxxx}
[1] = {http://www.aaa.xx/xx.zz?id=xxxx&name=xxxx}
抓取 HTML 会提取重要的页面元素。它对网站管理员和 ASP.NET 开发人员有许多合法用途。使用 Regex 类型和 WebClient，我们为 HTML 实现屏幕抓取。
已编辑
另一种简单的方法：您可以使用web browser控件href从标签获取a，如下所示：（参见我的示例）
public Form1()
{
InitializeComponent();
webBrowser1.DocumentCompleted += new WebBrowserDocumentCompletedEventHandler(webBrowser1_DocumentCompleted);
}
private void Form1_Load(object sender, EventArgs e)
{
webBrowser1.DocumentText = "<a href=\"www.aaa.xx/xx.zz?id=xxxx&name=xxxx\" ....></a><a href=\"http://www.aaa.xx/xx.zz?id=xxxx&name=xxxx\" ....></a><a href=\"https://www.aaa.xx/xx.zz?id=xxxx&name=xxxx\" ....></a><a href=\"www.aaa.xx/xx.zz/xxx\" ....></a>";
}
void webBrowser1_DocumentCompleted(object sender, WebBrowserDocumentCompletedEventArgs e)
{
List<string> href = new List<string>();
foreach (HtmlElement el in webBrowser1.Document.GetElementsByTagName("a"))
{
href.Add(el.GetAttribute("href"));
}
}
于 2013-04-10T12:55:43.523 回答
4
试试这个正则表达式：
"href\\s*=\\s*(?:\"(?<1>[^\"]*)\"|(?<1>\\S+))"
您将从以下讨论中获得更多帮助：
和
希望它有帮助。
于 2013-04-10T12:45:55.920 回答
3
我想出了这个，它支持锚和图像标签，并支持单引号和双引号。
<[a|img]+\\s+(?:[^>]*?\\s+)?[src|href]+=[\"']([^\"']*)['\"]
所以
<a href="/something.ext">click here</a>
将匹配：
Match 1: /something.ext
和
<a href='/something.ext'>click here</a>
将匹配：
Match 1: /something.ext
img src 属性也是如此
于 2016-05-10T15:56:04.610 回答
3
HTMLDocument DOC = this.MySuperBrowser.Document as HTMLDocument;
public IHTMLAnchorElement imageElementHref;
imageElementHref = DOC.getElementById("idfirsticonhref") as IHTMLAnchorElement;
只需尝试此代码
于 2015-12-02T09:31:34.690 回答
0
我采取了一种更简单的方法。这只是简单地查找 href 属性，并将其后面的值（在撇号之间）捕获到一个名为 url 的组中：
href=['"](?<url>.*?)['"]
于 2021-12-09T08:32:37.077 回答
0
我认为在这种情况下，这是最简单的预赛之一
/<a\s*(.*?id[^"]*")/g
获取地址中带有变量id的链接
从href开始，包括它，获取所有字符/符号（。 - 不包括换行符）直到第一个id出现，包括它，然后所有符号到最近的下一个 " 符号 ([^"]*)
于 2022-02-25T11:21:18.667 回答