使用正则表达式从html链接获取“标题”属性

Question

我使用以下正则表达式来匹配自定义cms生成的页面上的所有链接标签

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

我们使用c＃遍历所有匹配项，并在呈现页面内容之前将onclick事件添加到每个链接（用于跟踪软件）。 我需要解析链接，并向onclick函数添加一个参数，即“链接名称”。

我打算修改正则表达式以获取以下子组

• 链接的标题属性
• 如果链接包含图片标签，请获取图片的替代文字
• 链接文字

然后，我可以检查每个子组的匹配情况，以获取链接的相关名称。

我将如何修改上述正则表达式来执行此操作，或者使用C＃代码可以实现相同的想法？

Answer 1

正则表达式从根本上不利于解析HTML（请参阅您能否提供一些示例，以了解为什么很难用正则表达式来解析XML和HTML？ ）。 您需要一个HTML解析器。 请参见您能否提供一个使用您喜欢的解析器解析HTML的示例？ 例如使用各种解析器的示例。

特别是您可能对HTMLAgilityPack答案感兴趣。

Answer 2

尝试这个：

Regex reg = new Regex("<a[^>]*?title=\"([^\"]*?\"[^>]*?>");

几个陷阱：

• 这将区分大小写，您可能需要对其进行调整
• 这期望title属性既存在又被引用
  • 当然，如果title属性不存在，您可能还是不想匹配吗？

要提取，请使用groups集合：

reg.Match("<a href=\"#\" title=\"Hello\">Howdy</a>").Groups[1].Value

Answer 3

感谢混沌。 Owens向我指出了HtmlAgilityPack库的出色之处。 最后，我用它来解决我的问题，如下所示。 我会向其他人推荐这个库。

   HtmlDocument htmldoc = new HtmlDocument();
    htmldoc.LoadHtml(content);
    HtmlNodeCollection linkNodes = htmldoc.DocumentNode.SelectNodes("//a[@href]");
    if (linkNodes != null)
    {
        foreach (HtmlNode linkNode in linkNodes)
        {
            string linkTitle = linkNode.GetAttributeValue("title", string.Empty);
            //If no title attribute exists check for an image alt tag
            if (linkTitle == string.Empty)
            {
                HtmlNode imageNode = linkNode.SelectSingleNode("img[@alt]");
                if (imageNode != null)
                {
                    linkTitle = imageNode.GetAttributeValue("alt", string.Empty);
                }
            }
            //If no image alt tag check for span with text
            if (linkTitle == string.Empty)
            {
                HtmlNode spanNode = linkNode.SelectSingleNode("span");
                if (spanNode != null)
                {
                    linkTitle = spanNode.InnerText;
                }
            }

            if (linkTitle == string.Empty)
            {
                if (!linkNode.HasChildNodes)
                {
                    linkTitle = linkNode.InnerText;
                }
            }

        }
    }