正则表达式或从 HTML 中提取完整 URL + 相对 URL 的其他方式答案

【问题标题】：Regex or another way to extract full URLs + relative URLs from HTML正则表达式或从 HTML 中提取完整 URL + 相对 URL 的其他方式
【发布时间】：2017-03-07 23:16:36
【问题描述】：

所以我有一个 SharePoint 网站，并且我有将新项目提交到 SharePoint 列表中的用户。列表项中的某些字段包含引用文件或图像的 URL，例如"http://host/abc.jpg" 或 "/abc.jpg"。

在另一个字段中，用户编辑可能包含任何标签的 HTML 代码，例如<a href="/abc.jpg">、<img src="/abc.jpg"> 等。

我的目标是查找包含链接/URL 的字段，并提取那些指向具有文件名和扩展名的内容的 URL。我可以使用这两个正则表达式从可能包含一些不相关信息或 URL（和仅 URL）的 SharePoint 字段中提取它：

//this will match full url e.g. http://localhost/path/a.jpg
var fullUrlRegex = 
            new Regex(@"^https?:\/\/(?:.*)[\.]+(?:[a-z0-9]{1,4})$");
//this will match an absolute path like //test/files to upload/222.jpg
var absolutePathRegex =
            new Regex(@"^\/.*[\.]+(?:[a-z0-9]{1,4})$");

var fullUrlRegexMatch = fullUrlRegex.Match(value);
var absolutePathRegexMatch = absolutePathRegex.Match(value);

//now check which one matched and save the value

但是，我不确定如何从用户在另一个字段中输入的 HTML 代码中提取 URL（包括相对 URL 和完整 URL）。

假设这是用户的输入，我需要从该 HTML 代码中提取两个文件的链接。

<p>This is a <a href="/abc.jpg">picture</a>! 
And this is a pic too: <img src="/abc.jpg"></p>

标签可以是任何东西，不仅限于<a> 和<img>。我认为可以解决此问题的一种方法是使用 HTML Agility Pack，但这似乎有点矫枉过正。正则表达式搜索src="(match this)" 和href="(match this)" 就足够了吗？有什么我可能会错过的吗？

【问题讨论】：

标签： c# regex parsing html-parsing

【解决方案1】：

您的正则表达式不应包含开头的 ^ 和结尾的 $。这是一个锚。请参阅：https://msdn.microsoft.com/en-us/library/az24scfc(v=vs.110).aspx。

同样使用 Matches 方法获取所有匹配项。

【讨论】：

【解决方案2】：

试试这个正则表达式

(?<=(href="|src="))[/]*(?:[A-Za-z0-9-._~!$&'()*+,;=:@]|%[0-9a-fA-F]{2})*(?:/(?:[A-Za-z0-9-._~!$&'()*+,;=:@]|%[0-9a-fA-F]{2})*)*

只需将任何其他有效标签添加到 (href="|src=") 中的列表

【讨论】：