使用正则表达式从 HTML 中的 URL 中删除查询字符串答案

【问题标题】：Remove the Query String from a Url in HTML with a Regular Expression使用正则表达式从 HTML 中的 URL 中删除查询字符串
【发布时间】：2008-11-07 10:44:06
【问题描述】：

给定一个 html 文档，从文档中的每个 url 中删除查询字符串的最正确和简洁的正则表达式模式是什么？

【问题讨论】：

标签： html regex url parsing

【解决方案1】：

您无法使用正则表达式有效地解析 HTML。如果你事先知道页面的格式 — eg.

链接始终采用的形式，或者
所有链接都是绝对链接，没有其他以http:开头的非链接字符串存在

那么你可以摆脱它，但对于一般的 [X]HTML 正则表达式解析器是不合适的。

根据您使用的语言，您需要找到一个 HTML 解析器库（例如 Python 的 BeautifulSoup），或者一个与标准 XML 解析器相结合的 HTML 整理器，然后扫描文档中的元素（也许还有其他人，例如如果您对这些感兴趣？），然后将属性值拆分为 '?'。

【讨论】：

谢谢 bobince，我实际上使用的是 BeautifulSoup，但我正在寻找一种快速而肮脏的方式，而不是遍历所有链接。

【解决方案2】：

Re: Bobince 的评论，HTMLAgilityPack 是一个很好的 .NET html 解析器，它比其他解析器更宽容地处理不正确的标记。

使用它可以让您找到所有 A 标记，然后您可以获取 HREF 并简单地删除任何内容，包括 '?'

【讨论】：

【解决方案3】：

找到这个：

/href="([^\?"]*?)\?[^\"]*"/

替换为：

href="\1"

您可能需要注意它不会去除<link> 标签。

【讨论】：

有不少情况不匹配：href = "foo?bar", href = foo?bar (无效但仍可能出现) href='foo?bar'