用于解析超链接和描述的正则表达式

StackOverflow https://stackoverflow.com/questions/26323

  •  09-06-2019
  •  | 
  •  

题

C＃：什么是解析超链接及其描述的好正则表达式？

请考虑不区分大小写、空格以及在 HREF 标记周围使用单引号（而不是双引号）。

另请考虑获取包含其他标签的超链接 <a> 标签如 <b> 和 <i>. ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­

有帮助吗？

解决方案

只要没有嵌套标签（并且没有换行符），以下变体就可以很好地工作：

<a\s+href=(?:"([^"]+)"|'([^']+)').*?>(.*?)</a>

一旦嵌套标签发挥作用，正则表达式就不再适合解析。但是，您仍然可以通过应用现代解释器的更高级功能来使用它们（取决于您的正则表达式机器）。例如。.NET 正则表达式使用堆栈；我找到了这个：

(?:<a.*?href=[""'](?<url>.*?)[""'].*?>)(?<name>(?><a[^<]*>(?<DEPTH>)|</a>(?<-DEPTH>)|.)+)(?(DEPTH)(?!))(?:</a>)

来源： http://weblogs.asp.net/scottcate/archive/2004/12/13/281955.aspx

其他提示

请参阅此示例 堆栈溢出：用于解析网页链接的正则表达式？

使用 HTML 敏捷包 您可以解析 html，并使用 HTML 的语义（而不是损坏的正则表达式）提取详细信息。

我找到了这个 但显然 这些家伙 有一些问题。

编辑： （有用！）
我现在已经完成了自己的测试，发现它可以工作，我不知道 C#，所以我不能给你一个 C# 答案，但我知道 PHP，这是我运行它得到的匹配数组：

<a href="pages/index.php" title="the title">Text</a>

array(3) { [0]=> string(52) "Text" [1]=> string(15) "pages/index.php" [2]=> string(4) "Text" }

我 有一个正则表达式 它可以处理大多数情况，但我相信它确实与多行注释中的 HTML 匹配。

它是使用 .NET 语法编写的，但应该很容易翻译。

现在我已经可以工作了，我就把这个片段扔出去......这是之前建议的一个不那么贪婪的版本。如果输入有多个超链接，原始版本将无法工作。下面的代码将允许您循环遍历所有超链接：

static Regex rHref = new Regex(@"<a.*?href=[""'](?<url>[^""^']+[.]*?)[""'].*?>(?<keywords>[^<]+[.]*?)</a>", RegexOptions.IgnoreCase | RegexOptions.Compiled);
public void ParseHyperlinks(string html)
{
   MatchCollection mcHref = rHref.Matches(html);

   foreach (Match m in mcHref)
      AddKeywordLink(m.Groups["keywords"].Value, m.Groups["url"].Value);
}

这是一个将匹配平衡标签的正则表达式。

(?:""'[""'].*?>)(?(?>(?)|(?<-深度>)|.)+)(?(深度)(?!))(?: ）

许可以下： CC-BY-SA 和 归因
不隶属于 StackOverflow
scroll top