C＃正則表達式以匹配特定文本

Question

我想匹配HTML錨中未包含的所有格式為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

我試過這些正則表達式沒有成功：

否定前瞻嘗試（錯誤匹配，但不包括最后一位數）

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

具有非捕獲分組的負前瞻

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

負面的后視嘗試（似乎不支持通配符）

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

Answer 1

如果你想開始像這樣分析HTML，那么你可能想要實際解析HTML而不是使用正則表達式。 HTML Agility Pack是通常的第一個停靠點。 使用正則表達式很難處理<a></a>foo:123456<a></a>類的東西，該東西當然應該拉出中間位，但是編寫正則表達式將非常困難。

我應該補充一點，我假設你實際上有一塊HTML而不是單獨的短字符串，例如你上面的每一行。 在某種程度上，我排除了它是因為匹配它是否是唯一容易的事情，所以我認為如果您願意的話就可以得到它。 :)

Answer 2

正則表達式通常不是工作的最佳工具，但是如果您的案例非常具體，例如您的示例，則可以使用：

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

你的第一個表達不起作用，因為\\d+會回溯直到(?!</a>)匹配。 可以通過不允許\\d+回溯來解決此問題，如上所述，在atomic / nonbacktracking組的幫助下，也可以在\\d+回溯的情況下使超前查找失敗，例如：

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

雖然效率不高。

Answer 3

請注意，lookbehind不適用於內部不同的字符串長度，您可以采用其他方式進行計算

例如

1. 查找並標記錨點中包含的所有foo-s
2. 與其他人一起尋找並達成目標
3. 去除痕跡

Answer 4

這可能是一個漫長的嘗試，但是您可以簡單地帶回所有foo的出現：一些數字，然后再排除它們。

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

然后使用matchcollection

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

然后循環每次出現：

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

Answer 5

我會使用linq並將html視為xml，例如：var query = MyHtml.Descendants（）。ToArray（）; foreach（查詢中XElement結果）{

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

也許有更好的方法，但是我不知道。。。