不要匹配带有双引号开头的 YouTube URL - C# Regex答案

【问题标题】：Do not match YouTube URLs with beginning double quotes - C# Regex不要匹配带有双引号开头的 YouTube URL - C# Regex
【发布时间】：2017-07-06 20:06:00
【问题描述】：

我有以下 C# 正则表达式

@"(?:https?:\/\/)?(?:www\.)?(?:(?:(?:youtube\.com\/watch\?[^?]*v=|youtu\.be\/)))([\w-]+)";

如何更正此问题，以便正则表达式不会匹配 URL 开头带有双引号的 URL。因此，如果 URL 在超链接中的 href 属性中，它将被忽略且不会被捕获。

我在我的另一个 Twitter 正则表达式模式中使用了这个表达式，但我不能让它在这个模式中工作。

(?<!"")

它适用于 Twitter 模式：

(?<!"")https?://twitter\.com/(?:#!/)?(\w+)/status(?:es)?/(\d+)

因此，YouTube 正则表达式应该只抓取 URL 开头没有双引号的 URL。

【问题讨论】：

见this demo。
之前使用 html 解析器提取文本节点，这样可以避免所有 html 属性。（如果您使用 XPath 查询，您甚至可以只选择包含字符串“youtu”的文本节点）
其实如果只需要提取纯文本中的链接，最好用HtmlAgilityPack:public string getCleanHtml(string html) { var doc = new HtmlAgilityPack.HtmlDocument(); doc.LoadHtml(html); return HtmlAgilityPack.HtmlEntity.DeEntitize(doc.DocumentNode.InnerText); }跨度>
@WiktorStribiżew 我有 HTMLAgilityPakck 我实际上在我的项目中使用它。
您需要在 @"..." 中转义的一件事是引号字符本身...通过将 @"""" not 与反斜杠 @"\"" 加倍来转义它（并且不要不要像在您的评论中那样直接写它）

标签： c# regex regex-negation

【解决方案1】：

回答问题：如果当前位置紧邻之前没有"，(?<!") 将失败匹配。如果在当前位置之前必须没有 " 后跟 0+ 个其他字符，则可以利用 .NET infinite-width 向后查找。

在这种情况下，你可能想把你的后脑勺变成

(?<!"[^"<>]*)

请参阅regex demo。请注意，[^"<>]* 匹配除 "、< 和 > 之外的 0+ 个字符，因此，" 仅在元素节点内时才会被检查 if HTML 完美序列化。如果它在属性值中包含普通的< 或>，则此方法将不起作用。

这就是为什么您也应该考虑为该任务使用适当的 HTML 解析器，因为您已经在项目中使用它。如果你让知道你想要达到的目标，我会更新答案。

【讨论】：