在C＃中閱讀和解析文本文件的最佳方法

Question

我有一個包含HTML代碼的文本文件，我只想使用特定標簽並使用C＃保存它們！

我當時想用很少的Regex行來做到這一點，這是最好，最簡單的方法嗎？ 還是C＃中有一個更簡單的功能可以做到這一點？

Answer 1

使用Regex 可能不是實現此目的的最佳方法，實際上我會說這是您可以想到的眾多“壞”想法之一。

您可能希望使用HTMLAgilityPack進行研究 ：它將解析HTML，創建一個可以導航的節點樹，並且無需進行任何“瘋狂”的正則表達式就可以查看您感興趣的標簽。 如果您避免使用正則表達式，將會為您省去很多麻煩，因為在野外發現的HTML可能會很窮，令人討厭和粗暴，盡管通常遠遠不夠短 。

Answer 2

正則表達式可以工作，但您必須非常小心。 HTML不是一種“常規語言”，因此存在一些自由形式的異常，這些異常可能會使事情變得一團糟。 您還必須小心跨行匹配。 可以做到的。

調查： http : //htmlagilitypack.codeplex.com/

Answer 3

如果HTML格式正確，則可以嘗試使用XML解析器讀取它，然后使用其中的方法。 幸運的是，框架中立即有工具可以執行此操作。 考慮使用LINQ to XML使您的工作盡可能簡單。

否則，如果格式不正確，則可以使用第三方工具來解析它，例如HTML Agility Pack 。

Answer 4

SO上已詳細介紹了使用正則表達式解析HTML。 共識是不應該這樣做。 閱讀這篇文章，以了解原因：

RegEx匹配XHTML自包含標簽以外的打開標簽

過去，我使用SGML閱讀器將HTML轉換為xml，然后使用xpath / xslt / linq-to-xml進行解析。 這也可能對您有用。

Answer 5

2種選擇：

1）自己循環

2）使用正則表達式可以實現更好的匹配和錯誤。 （將匹配的組與正則表達式匹配），然后可以迭代其中的每個項