4

C#：解析超链接及其描述的好正则表达式是什么？

请考虑不区分大小写、空格和在 HREF 标记周围使用单引号（而不是双引号）。

还请考虑获取在标签中包含其他标签的超链接，<a>例如<b>和<i>。

4

6 回答 6

5

只要没有嵌套标签（并且没有换行符），以下变体就可以很好地工作：

<a\s+href=(?:"([^"]+)"|'([^']+)').*?>(.*?)</a>

一旦嵌套标签开始发挥作用，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高级功能（取决于您的正则表达式机器）来使用它们。例如，.NET 正则表达式使用堆栈；我找到了这个：

(?:<a.*?href=[""'](?<url>.*?)[""'].*?>)(?<name>(?><a[^<]*>(?<DEPTH>)|</a>(?<-DEPTH>)|.)+)(?(DEPTH)(?!))(?:</a>)

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

于 2008-08-25T16:21:47.833 回答
3

请参阅 StackOverflow 中的此示例：用于解析网页链接的正则表达式？

使用HTML 敏捷包，您可以解析 html，并使用 HTML 的语义提取详细信息，而不是使用损坏的正则表达式。

于 2008-09-19T09:11:17.347 回答
1

我发现了这个，但显然这些人对此有一些问题。

编辑：（它有效！）
我现在已经完成了自己的测试，发现它有效，我不知道 C#，所以我不能给你一个 C# 答案，但我知道 PHP，这是我回来的匹配数组在此运行它：

<a href="pages/index.php" title="the title">Text</a>

array(3) { [0]=> string(52) "Text" [1]=> string(15) "pages/index.php" [2]=> string(4) "Text" }
于 2008-08-25T16:09:11.780 回答
1

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

它是使用 .NET 语法编写的，但应该易于翻译。

于 2008-08-25T16:26:44.343 回答
0

既然我已经让它工作了，就要把这个片段扔出去……这是之前建议的一个不那么贪婪的版本。如果输入有多个超链接，原始文件将不起作用。下面的代码将允许您遍历所有超链接：

static Regex rHref = new Regex(@"<a.*?href=[""'](?<url>[^""^']+[.]*?)[""'].*?>(?<keywords>[^<]+[.]*?)</a>", 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);
}
于 2009-11-12T06:08:13.537 回答
0

这是一个匹配平衡标签的正则表达式。

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

于 2009-11-29T15:37:25.500 回答