正则表达式 - 获取所有 href 和 innerTexts？ [复制]答案

【问题标题】：Regex - Get all href and innerTexts? [duplicate]正则表达式 - 获取所有 href 和 innerTexts？ [复制]
【发布时间】：2012-01-27 10:34:41
【问题描述】：

在 C# 中

我正在尝试从文本文件中获取URLs 和InnerTexts，但我无法访问我正在使用的设备上的 DOM 对象（只有文本文件），因此只有 RegEx使用。

<a href="/LinkClick.aspx?fileticket=a random text string">I want this text</a>

我需要整个文本文件中的所有这些集合：

URL = /LinkClick.aspx?fileticket=a random text string
TITLE = I want this text

【问题讨论】：

stackoverflow.com/questions/1732348/…
尝试使用 RegEx 解析数据并不是一个好主意。如果您有 HTML 文本文件，则可以访问 DOM。例如，“使用 System.Windows.WebBrowser ... HtmlDocument hdoc = HtmlPage.Document;”
stackoverflow.com/questions/1732348/…

标签： c# regex

【解决方案1】：

RegEx 来解析 HTML？它在理论上是可行的，但除非你能保证你从漂亮、干净的 XHTML 开始，否则我在这方面并没有取得很大的成功。问题是合法的 HTML 并不总是格式正确，内容可以跨行并且仍然是 HTML，但会通过 RegEx。我建议您找到一些库，可以为您将 HTML 解析为 DOM 树或其他东西，并通过 XPATH 通过生成的 DOM。 C# 有一个 HtmlDocument 类，不是吗？我会在使用 RegEx 之前尝试一下。

【讨论】：

正如我所提到的，我的访问权限有限，无法以任何其他方式解析 HTML。我在 Linux 上运行它的子供电设备。

【解决方案2】：

你可以使用这样的正则表达式：

\<a.+?href=(?<q>["'])(.+?)\k<q>.*?>([^\<]+)

URL 将是第 2 组的值，TITLE 将是第 3 组的值。

如果您的文档是有效的 XHTML，您还可以使用 System.Xml 命名空间中的类来解析您的文档，然后检索所有 <a> 元素。

【讨论】：