C# 正则表达式解析 HTML 字符串并将 id 添加到每个标题标签中？答案

【问题标题】：C# Regex to parse HTML string and add ids into each header tag?C# 正则表达式解析 HTML 字符串并将 id 添加到每个标题标签中？
【发布时间】：2014-03-27 16:27:55
【问题描述】：

我有一个 CMS 系统，我需要对 HTML 字符串进行一些自动格式化，然后才能将它们提供给客户端。所以在数据库中我可能有一个这样的 HTML 字符串：

> "<h2>Example Header</h2><p>Here is some text about that
> header.</p><h2>Another Header 2</h2></p>Well I got more information
> here.</p>"

我想为每个 H2 标记添加一个 ID 属性，该属性包含 H2 标记中的文本并删除了空格，这将用于锚链接。所以上面的例子会变成：

> "<h2 id="ExampleHeader">Example Header</h2><p>Here is some text about that
> header.</p><h2 id="AnotherHeader2">Another Header 2</h2></p>Well I got more 
> information here.</p>"

所以对于字符串中的每个 H2 都来自：

<h2>Header Example Text Right Here</h2>

收件人：

<h2 id="HeaderExampleTextRightHere">Header Example Text Right Here</h2>

空格已删除，但其他文本完全相同。如何使用正则表达式做到这一点？

【问题讨论】：

不要使用regex to parse html。 HtmlAgilityPack 非常适合。
虽然我很欣赏这种情绪。由于它的遗留性质和其他一些问题，我得到了具体的指示（我不同意）不要在这个项目中使用其他库。
仅仅使用正则表达式来解析 HTML 已经够糟糕的了；使用正则表达式解析 HTML并向元素添加 ID 属性会损害您的心理健康。

标签： c# regex asp.net-mvc

【解决方案1】：

C# 中是否有可用的 HTML 处理库？那么请随它去。正则表达式可以方便地处理您的示例 html。但是对于复杂的场景，它不会被证明是安全的。

这是您的示例输入的正则表达式/替换。请记住，仅用于您的示例输入：

htmls = Regex.Replace(htmls, @"<h2>([^<]*)</h2>", "<h2 id=\"$1\">$1</h2>");

【讨论】：

是的，我明白了。如果 h2 标签内有 HTML，可能会有问题吗？不过，这种情况不会发生。会不会有其他问题？
HTML ID 值中不能有空格，因此如果按原样使用，您的“示例标题”示例最终将成为非法 ID。此外，ID 必须是唯一的，因此如果您有两个或多个具有相同内容的 h2 标签，您最终会得到两个相同的 ID，这是非法的。
@DOTang 希望没有其他问题。
HTML 5 规定：“该值在元素的主子树中的所有 ID 中必须是唯一的，并且必须包含至少一个字符。该值不得包含任何空格字符。”
HTML 4 限制性更强：“ID 和 NAME 标记必须以字母 ([A-Za-z]) 开头，后跟任意数量的字母、数字 ([0-9] )、连字符 ("-")、下划线 ("_")、冒号 (":") 和句点 (".")。"

【解决方案2】：

你可以用这个：

Regex.Replace("<h2>XYZ</h2>", "<h2>(?<innerText>[^<]*)</h2>", x => string.Format("<h2 id=\"{0}\">{0}</h2>", x.Groups["innerText"]))

【讨论】：

不完全是，没有删除 ID 的空格，但有了这个我就能让它工作：Regex.Replace(htmls, @"<h2>(?<innerText>[^<]*)</h2>", x => string.Format("<h2 id=\"{0}\">{1}</h2>", x.Groups["innerText"].Value.Trim().Replace(" ", string.Empty), x.Groups["innerText"]));