C# RegEx - 查找 html 标签（div 和锚点）答案

【问题标题】：C# RegEx - find html tags (div and anchor)C# RegEx - 查找 html 标签（div 和锚点）
【发布时间】：2011-02-04 20:02:09
【问题描述】：

我必须检索几个 div 部分（特定类名“row”）及其内容，并另外找到所有锚标签（链接 url）（类“下划线红色粗体”）。简短地说：获取以下部分：

<div class = "row ">
 ... (divs, tags ...)
<a class="underline red bold" href="/searchClickThru?pid=prod56534895&amp;q=&amp;rpos=109181&amp;rpp=10&amp;_dyncharset=UTF-8&amp;sort=&amp;url=/culture-and-gender-intimate-relation-ksiazka,prod56534895,p">

和 url集合

string[] urls = {"/searchClickThru?pid=prod56534895&amp;q=&amp;rpos=109181&amp;rpp=10&amp;_dyncharset=UTF-8&amp;sort=&amp;url=/culture-and-gender-intimate-relation-ksiazka,prod56534895,p"}

整个页面是这样的：

<html>

...很多东西

<div class="row ">

  <div class="photo">
    <a rel="nofollow" href="/searchClickThru?pid=prod56534895&amp;q=&amp;rpos=109181&amp;rpp=10&amp;_dyncharset=UTF-8&amp;sort=&amp;url=/culture-and-gender-intimate-relation-ksiazka,prod56534895,p">
      <img alt="alt msg" src="/b/s/b9/03/b9038292d147a582add07ee1f0607827.jpg">                 
 </a>
  </div>

  <div class="desc">
    <div class="l1">
      <div class="icons">
      </div>

      <table cellspacing="0" cellpadding="0" border="0">
        <tbody>
          <tr>
            <td>
              <div class="fleft">
                <a class="underline red bold" href="/searchClickThru?pid=prod56534895&amp;q=&amp;rpos=109181&amp;rpp=10&amp;_dyncharset=UTF-8&amp;sort=&amp;url=/culture-and-gender-intimate-relation-ksiazka,prod56534895,p">
                  Culture And Gender   <br>Intimate Relation</a>
              </div>

              <div class="fleft">

              </div>
            </td>
          </tr>
        </tbody>
      </table>
    </div>
    <div class="l2">

      <div>
      </div>
      <div>
        <div class="but">
        </div>
      </div>
    </div>
    <div class="l3">
      Long description
      <a class="underlinepix_red no_wrap" rel="nofollow" href="/searchClickThru?pid=prod56534895&amp;q=&amp;rpos=109181&amp;rpp=10&amp;_dyncharset=UTF-8&amp;sort=&amp;url=/culture-and-gender-intimate-relation-ksiazka,prod56534895,p">
        more<img alt="" src="/b/img/arr_red_sm.gif">
  </a>
    </div>
  </div>
</div>

<div class="omit"></div>

<div class="row ">

  <div class="photo">
    <a rel="nofollow" href="/searchClickThru?pid=prod56534895&amp;q=&amp;rpos=109181&amp;rpp=10&amp;_dyncharset=UTF-8&amp;sort=&amp;url=/culture-and-gender-intimate-relation-ksiazka,prod56534899,p">
      <img alt="alt msg" src="/b/s/b9/03/b9038292d147a582add07ee1f06078222.jpg">                    
 </a>
  </div>

  <div class="desc">
    <div class="l1">
      <div class="icons">
      </div>

      <table cellspacing="0" cellpadding="0" border="0">
        <tbody>
          <tr>
            <td>
              <div class="fleft">
                <a class="underline red bold" href="/searchClickThru?pid=prod56534895&amp;q=&amp;rpos=109181&amp;rpp=10&amp;_dyncharset=UTF-8&amp;sort=&amp;url=/culture-and-gender-intimate-relation-ksiazka,prod5653489225,p">
                  Culture And Gender   <br>Intimate Relation</a>
              </div>

              <div class="fleft">

              </div>
            </td>
          </tr>
        </tbody>
      </table>
    </div>
    <div class="l2">

      <div>
      </div>
      <div>
        <div class="but">
        </div>
      </div>
    </div>
    <div class="l3">
      Long description
      <a class="underlinepix_red no_wrap" rel="nofollow" href="/searchClickThru?pid=prod56534895&amp;q=&amp;rpos=109181&amp;rpp=10&amp;_dyncharset=UTF-8&amp;sort=&amp;url=/culture-and-gender-intimate-relation-ksiazka,prod56534895,p">
        more<img alt="" src="/b/img/arr_red_sm.gif">
  </a>
    </div>
  </div>
</div>

有人可以帮我创建合适的 reg ex 吗？

【问题讨论】：

这篇文章说正则表达式和 html 在同一个句子中：D 支撑自己
stackoverflow.com/questions/1732348/…

标签： c# html regex find tags

【解决方案1】：

正则表达式不太适合这种情况。

由于 HTML 的嵌套性质，执行您所要求的正则表达式将非常（非常非常）长且复杂。请改用 HTML 解析器。

【讨论】：

+1 和'a HTML Parser'，Jens 表示 HTML Agility Pack，没有其他任何东西，用于任何 C# html 解析需求：htmlagilitypack.codeplex.com/Wikipage
必填链接：stackoverflow.com/questions/1732348/…
这是我迄今为止获得最高票数的答案有点遗憾.. =)
把你的胜利带到你能得到它们的地方，我的朋友...... ;-)

【解决方案2】：

这个问题的答案和这个问题的答案大致相同：

RegEx match open tags except XHTML self-contained tags

【讨论】：

【解决方案3】：

查看HTML Agility Pack

这是一个敏捷的 HTML 解析器，构建一个读/写 DOM 并支持普通的 XPATH 或 XSLT（你实际上不必了解 XPATH 也不必 XSLT 使用它，不用担心...）。它是一个 .NET 代码库，可让您解析“网络之外”的 HTML 文件。这解析器对“真实的世界”格式错误的 HTML。对象模型与提议的非常相似 System.Xml，但用于 HTML 文档（或流）。

【讨论】：

【解决方案4】：

是否必须使用正则表达式？如果不是，那你为什么不使用像Html Agility Pack 这样的 HTML 解析器...如果你使用解析器而不是正则表达式，那么得到你想要的东西会容易得多。

【讨论】：

【解决方案5】：

或者，如果您已成功进入 LINQ 并喜欢 LINQ 的强大功能，则似乎有一个 LINQ-to-HTML Library 可供下载。我还没试过，所以我不能说它的能力。

【讨论】：