首先要获取的正则表达式（C＃风格） <p></p> 标题标记后

Question

我的网站的引用系统几乎完成了，但是最后一个让我烦恼的正则表达式是我弄错了。

我需要的是引荐页的摘录，其中我将最相关的摘录定义为：

页面HTML源中紧随<h1></h1> ， <h2></h2>或<h3></h3>第一段（用<p></p>标记）。

例如，我可以成功获取HTML的<title></title>标记，如下所示：

Regex reTITLE = new Regex( @"(?<=<title.*>)([\s\S]*)(?=</title>)",
RegexOptions.IgnoreCase );

Match match = reTITLE.Match( strHTMLSource );
if (match.Success)
    {
        strReferringPageTitle = match.Value.Trim( );
    }

我的问题-我可以使用什么正则表达式来获取帖子第一部分中描述的字符串？

PS：我喜欢StackOverflow和这个社区-做得好，乔尔公司（Joel＆Co.）！

Answer 1

Match m = Regex.Match(strHTMLSource, "^.*?</h[123]>.*?<p>(.*?)</p>",
    RegexOptions.Compiled | RegexOptions.IgnoreCase);

string para = m.Success ? m.Groups[1].Value.Trim() : string.Empty;

Answer 2

就我个人而言，我将使用XPath查询来完成您要实现的目标，而imo则比使用正则表达式容易得多。

Answer 3

此正则表达式将在h1，h2或h3之后找到所有第一段。 如果只需要页面的第一段，则保留第一段。

(?<=</h[1-3]>\s*?<p>)([\s\S]*?)(?=</p>)

您可能需要调整<p>标记的匹配项以说明属性。

Answer 4

有很多用例无法正常使用正则表达式。 例如：

<p>foo<p>bar</p>baz</p>

<p>This paragraph is valid <!-- <p>This one isn't</p> --> </p>

捕获<p>和</p>之间的文本的正则表达式将分别捕获：

foo<p>bar

This paragraph is valid <!-- <p>This one isn't

如果必须处理在野外发现的HTML，则可以使用MSHTML解析HTML，然后在DOM中搜索以找到对象。

可以肯定，使用MSHTML并不比使用正则表达式轻巧。 但是，MSHTML的设计旨在摆脱最草率的网页。 我宁愿使用它设计用于处理混乱的实际用例的所有知识，也不愿自己发现它们。

请参阅此问题的答案以获取一些示例代码。