C＃正则表达式以匹配特定文本

Question

我想匹配HTML锚中未包含的所有格式为foo：12345的文本。 例如，我想匹配以下第1行和第3行：

foo:123456

<a href="http://www.google.com">foo:123456</a>

foo:123456

我试过这些正则表达式没有成功：

否定前瞻尝试（错误匹配，但不包括最后一位数）

foo:(\\d+)(?!</a>)

具有非捕获分组的负前瞻

(?:foo:(\\d+))(?!</a>)

负面的后视尝试（似乎不支持通配符）

(?<!<a[^>]>)foo:(\\d+)

Answer 1

如果你想开始像这样分析HTML，那么你可能想要实际解析HTML而不是使用正则表达式。 HTML Agility Pack是通常的第一个停靠点。 使用正则表达式很难处理<a></a>foo:123456<a></a>类的东西，该东西当然应该拉出中间位，但是编写正则表达式将非常困难。

我应该补充一点，我假设你实际上有一块HTML而不是单独的短字符串，例如你上面的每一行。 在某种程度上，我排除了它是因为匹配它是否是唯一容易的事情，所以我认为如果您愿意的话就可以得到它。 :)

Answer 2

正则表达式通常不是工作的最佳工具，但是如果您的案例非常具体，例如您的示例，则可以使用：

foo:((?>\d+))(?!</a>)

你的第一个表达不起作用，因为\\d+会回溯直到(?!</a>)匹配。 可以通过不允许\\d+回溯来解决此问题，如上所述，在atomic / nonbacktracking组的帮助下，也可以在\\d+回溯的情况下使超前查找失败，例如：

foo:((?>\d+))(?!</a>|\d)

虽然效率不高。

Answer 3

请注意，lookbehind不适用于内部不同的字符串长度，您可以采用其他方式进行计算

例如

1. 查找并标记锚点中包含的所有foo-s
2. 与其他人一起寻找并达成目标
3. 去除痕迹

Answer 4

这可能是一个漫长的尝试，但是您可以简单地带回所有foo的出现：一些数字，然后再排除它们。

string pattern = @"foo:\d+ |" +
                 @"foo:\d+[<]";

然后使用matchcollection

 MatchCollection m0 = Regex.Matches(file, pattern, RegexOptions.Singleline);

然后循环每次出现：

foreach (Match m in m0)
{
                 . . . exclude the matches that contain the "<"
}

Answer 5

我会使用linq并将html视为xml，例如：var query = MyHtml.Descendants（）。ToArray（）; foreach（查询中XElement结果）{

            if (Regex.IsMatch(result.value, @"foo:123456") && result.Name.ToString() != "a")
            {
               //do something...
            }
        }

也许有更好的方法，但是我不知道。。。