【问题标题】:Use REGEX to find Contents of HTML ListItem (.NET) [duplicate]使用 REGEX 查找 HTML ListItem (.NET) 的内容 [重复]
【发布时间】:2010-10-20 20:30:06
【问题描述】:

使用以下文本作为示例,我需要能够提取 LI 标记之间的文本。请注意,第一个 LI 是故意格式错误的,因为可能是这种情况。换句话说,我想要从 LI 标记到关闭 LI 标记或下一个 LI 开始标记的所有内容。

    <UL>
<LI class="test">This is the first ListItem Text. 
<LI>This is the second ListItem Test. </LI></UL>

到目前为止,我想出了:

<[Ll][Ii].*>(.*?)((?:<[Ll][Ii]>)|(?:</[Ll][Ii]>))

但这似乎与第一个 LI 标记匹配,直到结束标记与作为第二个 LI 标记文本的组匹配。我设法让它返回第一组,但从来没有两个。我也在使用“点匹配换行符”选项,这是我需要它工作的 .NET。谢谢!

更新

在发布这个问题之前我已经做了一些研究,并且确实看到并理解使用正则表达式来解析 html 是一个坏主意。话虽如此,我只需要能够从这里和那里的几个 LI 标签中获取文本,以确定要在 powerpoint 幻灯片上标出哪些文本。我认为可能有一种更简单的方法来做到这一点,而不是处理一个单独的库,尤其是当使用第三方库很难处理我工作的地方时。不幸的是,当在允许您对文本进行项目符号化的页面上使用 html 富文本输入框时,在某些情况下,HTML 似乎最终会出现格式错误。感谢所有反对 REGEX 用于解析 HTML 的建议。我应该事先说明我已经阅读了很多类似的建议,但正在寻找针对一组简单情况的快速解决方法。

【问题讨论】:

    标签: .net html regex


    【解决方案1】:

    试试这个。

    <li.*?>(.*?)(?=</li>|<li.*?>|</ul>|\Z)
    

    请注意,您需要使用 RegexOptions.IgnoreCase 选项才能使其工作,但它会使您的表达式更具可读性。

    【讨论】:

    • 如果 和 都缺失,这将中断。
    • @Tomalak:它还应该根据请求将文本拾取到下一个
    • 标记,如果没有更多的
    • 、
    • 或
    • ,甚至可以拾取字符串的其余部分ul> 标签。看起来正是问题所要求的。
  • @Whatsit:我不知道匹配问题中输入结尾的要求。 OP在哪里说的?
  • @Tomalak:他们没有,所以我想从技术上讲,这不是他们所要求的完全,但我希望这是他们想要的我>
  • 【解决方案2】:

    正则表达式不擅长解析 HTML(请参阅 Can you provide some examples of why it is hard to parse XML and HTML with a regex? 了解原因)。你需要一个像Html Agility Pack这样的HTML解析器。

    【讨论】:

      【解决方案3】:

      我感觉自己像一张破黑胶唱片,但是:不要使用正则表达式来解析非正则语言。

      有大量可用的 .NET HTML 解析器,其中一些还可以纠正格式错误的 HTML。我用谷歌搜索了“.net html parser malformed”,似乎有一些有希望的结果。

      【讨论】:

        【解决方案4】:

        如果您的输入合理有效(并且列表项仅包含文本),您可能会逃脱:

        <li[^>]*>([^<]*)
        

        应用为全局/不区分大小写并查找匹配组 1 的内容。

        结果需要一些规范化(修剪、替换换行符)。

        【讨论】:

        • 尽管如此 - 正则表达式不利于 HTML 解析,就像其他一些人所说的那样。这就是为什么我说“可能会逍遥法外”。
        【解决方案5】:

        正如 Slavo 所说,这很困难。您给出的示例特别棘手,因为第二个“&lt;LI&gt;”需要被视为第一个匹配项的结束标记和第二个匹配项的开始标记。这很难。

        在完全不相关的注释中,您可以将正则表达式标志设置为不区分大小写,这样您就不必执行[Ll][Ii] 等操作。

        【讨论】:

          【解决方案6】:

          如果这是一个反复出现的场景,我宁愿使用 HTML 解析器。使用 Regex 解析 HTML 将花费大量时间,并且由于输入格式错误(您提到的),可能仍然会出现错误。

          这是我通过基本的 Google 搜索找到的:
          http://www.netomatix.com/products/Documentmanagement/HtmlParserNet.aspx

          更新:

          以下是 StackOverflow 上的一些相关帖子:
          How do you parse a poorly formatted HTML file?
          What is the best way to parse html in C#?

          【讨论】:

          • 虽然不完全是我想为此采取的解决方案/路线,但我认识到这确实是正确的答案。谢谢。
          猜你喜欢
          相关资源
          最近更新 更多
          热门标签