正则表达式匹配 <a></a> 之间的 pull href 链接和字符串 [重复]答案

【问题标题】：Regex match pull href link and string in between <a></a> [duplicate]正则表达式匹配 <a></a> 之间的 pull href 链接和字符串 [重复]
【发布时间】：2011-08-20 08:47:31
【问题描述】：

可能重复：
RegEx to return 'href' attribute of 'link' tags only?

这是我的字符串，我想使用 C# Regex 从 href="pull this out" 和标签之间的文本中提取链接。不知道该怎么做。

<a href="http://msdn.microsoft.com/en-us/library/Aa538627.aspx" onclick="trackClick(this, '117', 'http\x3a\x2f\x2fmsdn.microsoft.com\x2fen-us\x2flibrary\x2fAa538627.aspx', '15');">ToolStripItemOwnerCollectionUIAdapter.GetInsertingIndex Method ...</a>

【问题讨论】：

不要使用正则表达式解析 HTML。
已经有几十个正则表达式问题，你的答案是一个简单的搜索。您应该能够轻松地根据您的问题调整此答案：stackoverflow.com/questions/268338/…
查找 HTML 敏捷包。并尝试搜索“HTML Parsing C#”，你会得到很多关于这个确切答案的问题。

标签： c# regex

【解决方案1】：

不要使用正则表达式来解析 HTML（正如@hsz 提到的）。看看为什么：RegEx match open tags except XHTML self-contained tags。取而代之的是，您可以使用像 HtmlAgilityPack 这样的 HTML 解析器：

var html = @"<a href=""http://msdn.microsoft.com/en-us/library/Aa538627.aspx"" onclick=""trackClick(this, '117', 'http\x3a\x2f\x2fmsdn.microsoft.com\x2fen-us\x2flibrary\x2fAa538627.aspx', '15');"">ToolStripItemOwnerCollectionUIAdapter.GetInsertingIndex Method ...</a>";
HtmlDocument document = new HtmlDocument();
document.LoadHtml(html);

var link = document.DocumentNode.SelectSingleNode("//a");
if (link != null)
{
    var href = link.Attributes["href"].Value;
    var innerText = link.InnerText;
}

现在href 包含http://msdn.microsoft.com/en-us/library/Aa538627.aspx； innerText（又名标签之间的字符串）包含ToolStripItemOwnerCollectionUIAdapter.GetInsertingIndex Method ...。

是不是比正则表达式更容易？

【讨论】：

【解决方案2】：

这显示了如何做你正在寻找的东西：C# Scraping HTML Links

这是该页面的代码示例：

using System.Collections.Generic;
using System.Text.RegularExpressions;

public struct LinkItem
{
    public string Href;
    public string Text;

    public override string ToString()
    {
    return Href + "\n\t" + Text;
    }
}

static class LinkFinder
{
    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;
    }
}

【讨论】：