CS中的正则表达式：数据提取答案

【问题标题】：Regular Expression in CS: data extractionCS中的正则表达式：数据提取
【发布时间】：2012-03-20 06:23:06
【问题描述】：

我有这样的数据：

<td><a href="/New_York_City" title="New York City">New York</a></td>

我想摆脱纽约。

我在正则表达式方面没有任何技能。不过我已经试过了：

StreamReader sr = new StreamReader("c:\\USAcityfile2.txt");
string pattern = "<td>.*</td>";
Regex r = new Regex(pattern, RegexOptions.IgnoreCase);
Regex r1 = new Regex("<a .*>.*</a>", RegexOptions.IgnoreCase);
 string read = "";
while ((read = sr.ReadLine()) != null)
{
    foreach (Match m in r.Matches(read))
    {
        foreach (Match m1 in r1.Matches(m.Value.ToString()))
            Console.WriteLine(m1.Value);
    }
}
sr.Close();
sr.Dispose();

这给了我<a href="/New_York_City" title="New York City">New York</a>。

如何访问<a .*> 和</a> 之间的数据？谢谢。

【问题讨论】：

您的输入数据是格式良好的 XML。也许使用任何 XML 解析器会更好？
对 XML-walking 一无所知。菜鸟是有原因的。 :)

标签： c# regex c#-4.0 data-extraction

【解决方案1】：

如果您坚持针对这种特殊情况使用正则表达式，请尝试以下操作：

String pattern = @"(?<=<a[^>]*>).*?(?=</a>)

(?<=<a[^>]*>) 是一个肯定的后向断言，以确保在想要的模式之前有 <a[^>]*>。

(?=</a>) 是一个肯定的前瞻断言，以确保模式后有</a>

.*? 是一个惰性量词，匹配尽可能少，直到第一个</a>

正则表达式的一个很好的参考是regular-expressions.info

Their lookaround explanation

【讨论】：

您有什么要推荐的参考吗？谢谢它有效。
@AnubhavSaini 我在答案中添加了两个链接

【解决方案2】：

只有一个正则表达式可以：

string pattern = "<a[^>]*>(.*)</a>";

【讨论】：

试过了。但它给出了

【解决方案3】：

           foreach (Match m1 in r1.Matches(m.Value.ToString()))
                {
                    //Console.WriteLine(m1.Value);
                    string[] res = m1.Value.Split(new char[] {'>','<'});
                    Console.WriteLine(res[2]);
                }

为这个特定的例子做了诀窍。仍然不是我想要的。

【讨论】：

【解决方案4】：

var g = Regex.Match(s, @"\<a[^>]+\>([^<]*)").Groups[1];

要在您的文件中查找 <a> 的所有值，您可以使用以下（更简单的）代码：

        var allValuesOfAnchorTag =
            from line in File.ReadLines(filename)
            from match in Regex.Matches(line, @"\<a[^>]+\>([^<]*)").OfType<Match>()
            let @group = match.Groups[1]
            where @group.Success
            select @group.Value;

但是，正如@kirill-polishchuk 正确指出的那样，您似乎使用 XML。如果是真的，代码就更简单了：

        var values = from e in XElement.Load(filename).Descendants("a")
                         select e.Value;

【讨论】：

我猜，您已将代码更改为更简单的代码。 xml 代码抛出错误：有多个根元素。试过：.Descendants("tr").Descendants("td").Descendants("a")
@AnubhavSaini，您的输入文档似乎不是 XML。
@KirillPolishchuk html 实际上。

【解决方案5】：

根据 OP 评论，输入文档是 HTML，最好使用 HTML 解析器，例如：Html Agility Pack。您可以使用 XPath //td/a 来获得想要的结果。

【讨论】：

【解决方案6】：

使用 HTML 敏捷包（project page、nuget），可以解决问题：

HtmlDocument doc = new HtmlDocument();
doc.LoadHtml("your html here"); 
// or doc.Load(stream);

var nodes = doc.DocumentNode.DescendantNodes("a");
// or var nodes = doc.DocumentNode.SelectNodes("//td/a") ?? new HtmlNodeCollection();

foreach (var node in nodes)
{
    string city = node.InnerText;
}

// or var linkTexts = nodes.Select(node => node.InnerText);

【讨论】：