正则表达式＃从<a>标签中</a>提取url

Question

我试图从标记中提取URL，但是，我得到的是标记链接文本，而不是获取https://website.com/-id1 。 这是我的代码：

string text="<a style=\"font - weight: bold; \" href=\"https://website.com/-id1\">MyLink</a>";

 string parsed = Regex.Replace(text, " <[^>] + href =\"([^\"]+)\"[^>]*>", "$1 " );

    parsed = Regex.Replace(parsed, "<[^>]+>", "");

    Console.WriteLine(parsed);

我得到的结果是MyLink ，这不是我想要的。 我想要类似的东西

https://website.com/-id1

任何帮助或链接将受到高度赞赏。

Answer 1

正则表达式可以在HTML的非常具体，简单的情况下使用。 例如，如果文本只包含单个标记，则可以使用"href\\\\s*=\\\\s*\\"(?<url>.*?)\\""来提取URL，例如：

var url=Regex.Match(text,"href\\s*=\\s*\"(?<url>.*?)\"").Groups["url"].Value;

这种模式将返回：

https://website.com/-id1

这个正则表达式没有任何花哨的东西。 它查找带有可能空格的href=然后以非贪婪的方式（ .*? ）捕获第一个双引号和下一个双引号之间的任何内容。 这是在命名组url捕获的。

任何更奇特的东西都变得非常复杂。 例如，支持单引号和双引号将需要特殊处理以避免在单引号上开始并以双引号结束。 该字符串可以使用两种类型的引号的多个<a>标签。

对于复杂的解析，最好使用像AngleSharp或HtmlAgilityPack这样的库

Answer 2

尝试这个：

var input = "<a style=\"font - weight: bold; \" href=\"https://website.com/-id1\">MyLink</a><a style=\"font - weight: bold; \" href=\"https://website.com/-id2\">MyLink2</a>";
var r = new Regex("<a.*?href=\"(.*?)\".*?>");
var output = r.Matches(input);
var urls = new List<string>();
foreach (var item in output) {
    urls.Add((item as Match).Groups[1].Value);
}

它将找到所有标签并提取其href值，然后将其存储在URL列表中。

说明

<a a匹配<a>标签的开头
.*?href=匹配任何东西，直到href =
"(.*?)"匹配并捕获任何内部“”
.*?>匹配<a>标签的结尾