使用正则表达式提取部分 html

Question

我有一个简单的要求来提取 html 中的文本。假设 html 是

你好

... ...

再见

我想把它转换成三个部分

你好

再见

目的是提取两类文本，简单的html和带有

Answer 1

不要那样做； HTML 可以以许多漂亮的方式被破坏。请改用beautiful soup。

Answer 2

这取决于您使用的语言和上下文。我在我的 CMS 上做了类似的事情，我的方法是先查找标签，然后查找属性。

获取标签

"<img (.*?)/>"

然后我在结果中搜索特定属性

'title="(.*?)"'

如果您想查找所有属性，您可以轻松地将显式标题更改为正则表达式 [a-z] 或非空白字符，然后也循环遍历这些结果。

Answer 3

我实际上尝试做与 asp.net 编译器类似的事情来将标记编译到服务器控制树中，正则表达式被 asp.net 编译器大量使用。我有一个临时解决方案，虽然不是很好，但似乎还可以。

//字符串源 = "

你好

"; string source = "

hello

bye

sss

"; 正则表达式 exImg = new Regex("(.+?)()"); var match = exImg.Match(source); 诠释最后一个= 0； 而（匹配。成功） { Console.WriteLine(match.Groups[1].Value); Console.WriteLine(match.Groups[2].Value); lastEnd = match.Index + match.Length; 匹配 = match.NextMatch(); } Console.WriteLine(source.Substring(lastEnd, source.Length - lastEnd));