为什么正则表达式拆分添加到模式 \r\n答案

【问题标题】：why regex split add to pattern \r\n为什么正则表达式拆分添加到模式 \r\n
【发布时间】：2023-04-01 07:31:01
【问题描述】：

我想用 html div 标签分割文章的正文，所以我有一个搜索 div 的模式。问题是模式也分裂了 \r\n [在此处输入图片说明][1]

string pattern = @"<div[^<>]*>(.*?)</div>";
string[] bodyParagraphsnew = Regex.Split(body, pattern,RegexOptions.None);
Response.Write("num of paragraph =" + bodyParagraphsnew.Length);
for (int i = 0; i < bodyParagraphsnew.Length; i++)
{
    Response.Write("bodyParagraphs" + i + "= " + bodyParagraphsnew[i]+ Environment.NewLine);
}

当我调试这段代码时，我在数组 bodyParagraphsnew 中看到很多“\r\n”。

可以看出该模式包括由字符串“\r\n”分割我尝试将 \r\n 替换为空字符串，我希望 bodyParagraphsnew 长度会改变。但不是。我得到的不是包含 \r\n 它包含“”的项目（在数组中）为什么？

这里是图片http://i.stack.imgur.com/Hxqki.gif 的链接，用于解释问题

【问题讨论】：

您能否向我们展示导致此问题的正文字符串示例？

标签： c# regex split

【解决方案1】：

您看到的是第一个

标记的结尾和下一个

标记的开头之间的文本。这就是 Split 所做的，它会在正则表达式匹配的 between 之间找到文本。

这里令人好奇的是，您还将获得打开和关闭标签之间的文本，因为您将括号放在字符串中，形成capturing group。考虑以下程序：

using System;
using System.Text.RegularExpressions;

class Program
{
    static void Main(string[] args)
    {
        string body = "<div>some text</div>\r\n<div>some more text</div>";

        string pattern = @"<div[^>]*?>(.*?)</div>";
        string[] bodyParagraphsnew = Regex.Split(body, pattern, RegexOptions.None);
        Console.WriteLine("num of paragraph =" + bodyParagraphsnew.Length);
        for (int i = 0; i < bodyParagraphsnew.Length; i++)
        {
            Console.WriteLine("bodyParagraphs {0}: '{1}'", i, bodyParagraphsnew[i]);
        }
    }
}

你会从中得到：

"" - 取自第一个
之前的空字符串。
"some text" - 第一个
的内容，因为捕获组。
"\r\n" - 第一个

结尾和最后一个

开头之间的文本。

"some more text" - 第二个 div 的内容，同样是因为捕获组。

"" - 取自最后一个

之后的空字符串。

您可能想要的是 div 标签的内容。这可以有点使用以下代码来实现：

using System;
using System.Text.RegularExpressions;

class Program
{
    static void Main(string[] args)
    {
        string body = "<div>some text</div>\r\n<div>some more text</div>";

        string pattern = @"<div[^>]*?>(.*?)</div>";
        MatchCollection bodyParagraphsnew = Regex.Matches(body, pattern, RegexOptions.None);
        Console.WriteLine("num of paragraph =" + bodyParagraphsnew.Count);
        for (int i = 0; i < bodyParagraphsnew.Count; i++)
        {
            Console.WriteLine("bodyParagraphs {0}: '{1}'", i, bodyParagraphsnew[i].Groups[1].Value);
        }
    }
}

但请注意，在 HTML 中，div 标签可以相互嵌套。例如，以下是一个有效的 HTML 字符串：

string test = "<div>Outer div<div>inner div</div>outer div again</div>";

在这种情况下，正则表达式不起作用！这主要是由于 HTML 不是Regular Language。为了处理这种情况，您将需要编写一个解析器（其中正则表达式只是一小部分）。但是我个人不会打扰，因为已经有很多开源 HTML 解析器可用 HTML Agility Pack。

【讨论】：