正则表达式

Question

我正在尝试获取以下标签之间的所有文本，但这只是不行

If Not String.IsNullOrEmpty(_html) Then
               Dim regex As Regex = New Regex( _
                            ".*<entry(?<link>.+)</entry>", _
                            RegexOptions.IgnoreCase _
                            Or RegexOptions.CultureInvariant _
                            Or RegexOptions.Multiline _
                            )

            Dim ms As MatchCollection = regex.Matches(_html)
            Dim url As String = String.Empty
            For Each m As Match In ms
                 url = m.Groups("link").Value
                 urls.Add(url)
            Next
            Return urls

我已经编写了提取函数以将html作为字符串获取。 我在看html敏捷包的示例，但没有文件另存为html docs

 HtmlDocument doc = new HtmlDocument();
 doc.Load("file.htm");
 foreach(HtmlNode link in doc.DocumentElement.SelectNodes("//a[@href"])
 {
  HtmlAttribute att = link["href"];
  att.Value = FixLink(att);
   }
  doc.Save("file.htm");

Answer 1

我会使用该软件来帮助您的正则表达式。

免费的RegExBuilder软件。

Answer 2

在.Net中执行此操作的最佳方法是通过HTML Agility Pack 。 在html上使用正则表达式通常不是一个好主意。

例外情况是，您可以对html的结构做出某些假设，例如一次性工作（您可以在其中研究程序的实际输入）或html由受信任的源生成时。 例如，您可以假设html的格式正确，还是标签不会嵌套超过一定深度？ （请注意，这些假设本身都不足以建立一个在某些极端情况下不会掉落的表达式。）

如果满足此条件，我们需要确切地知道您可以做的假设，然后才能编写准确的表达式。

Answer 3

强制性的“不要使用正则表达式来解析HTML”警告：

SO上已详细介绍了使用正则表达式解析HTML。 请阅读以下文章：

除了XHTML自包含标记之外，RegEx匹配开放标记

是否可以将您的HTML转换为XHTML并使用xpath进行解析？

您可以使用HTML Tidy或SGML之类的工具进行此转换。 然后，您可以使用xpath提取所需的数据： //entry/link