用于 html 解析的正则表达式（在 c# 中）答案

【问题标题】：regex for html parsing (in c#)用于 html 解析的正则表达式（在 c# 中）
【发布时间】：2010-09-21 06:24:47
【问题描述】：

我正在尝试解析 html 页面并从表格行中提取 2 个值。表格行的html如下：-

<tr>
<td title="Associated temperature in (ºC)" class="TABLEDATACELL" nowrap="nowrap" align="Left" colspan="1" rowspan="1">Max Temperature (ºC)</td>
<td class="TABLEDATACELLNOTT" nowrap="nowrap" align="Center" colspan="1" rowspan="1">6</td>
<td class="TABLEDATACELLNOTT" nowrap="nowrap" align="Center" colspan="1" rowspan="1"> 13:41:30</td>
</tr>

而我此刻的表达是：

<tr>[\s]<td[^<]+?>Max Temperature[\w\s]*</td>[\s]
<td[^<]+?>(?<value>([\d]+))</td>[\s]
<td[^<]+?>(?<time>([\d\:]+))</td>[\s]</tr>

但是我似乎无法提取任何匹配项。谁能指出我正确的方向，谢谢。

【问题讨论】：

标签： c# html regex parsing

【解决方案1】：

众所周知，使用正则表达式可靠地解析 HTML 非常困难。

我想我会寻找一个 HTML 解析库，或者一个“屏幕抓取”库；）

如果 HTML 来自不可靠的来源，您必须格外小心处理恶意 HTML 语法。糟糕的 HTML 处理是安全攻击的主要来源。

【讨论】：

【解决方案2】：

试试

<tr>\s*
<td[^>]*>.*?</td>\s*
<td[^>]*>\s*(?<value>\d+)\s*</td>\s*
<td[^>]*>\s*(?<time>\d{2}:\d{2}:\d{2})\s*</td>\s*
</tr>\s*

【讨论】：

【解决方案3】：

当你写<td[^<]+?>时，我猜你的意思是<td[^>]*>

那是“左大括号，td，也许是关闭大括号以外的东西......”

【讨论】：

【解决方案4】：

<tr>[\s]<td[^<]+?>Max Temperature[\w\s]*</td>[\s]

尚未全部查看，但 [^]，因为您要尝试匹配所有非->，直到 > 在 Max temperature 之前。

【讨论】：

【解决方案5】：

结束 td 之前的“ (ºC)” 匹配：

<tr>[\s]<td[^<]+?>Max Temperature[^<]*</td>[\s]

那 \w 是单词边界吗？我认为那里有点棘手，我会使用更通用的方法。

第三行，td标签后面多了一个空格，算不算？

<td[^<]+?>[\s]?(?<time>([\d\:]+))</td>[\s]</tr>

【讨论】：

【解决方案6】：

我使用http://www.regexbuddy.com/ 进行此类控制。到目前为止，我测试了@sgehrig 的建议是正确的

【讨论】：

【解决方案7】：

使用Html Agility Pack 或类似的库，正如@Bjarke Ebert 建议的那样。这是完成任务的正确工具。

【讨论】：