如何使用 .NET RegEx 解析 HTML 文件并找到 1. 外部链接。 2.内部链接答案

【问题标题】：How, using .NET RegEx, do I parse an HTML file and find 1. External links. 2. Internal links如何使用 .NET RegEx 解析 HTML 文件并找到 1. 外部链接。 2.内部链接
【发布时间】：2009-07-01 15:32:57
【问题描述】：

我正在编写一个程序来帮助我找出我的竞争对手链接到的网站。

为了做到这一点，我正在编写一个程序来解析 HTML 文件，并生成 2 个列表：内部链接和外部链接。

我会使用内部链接进一步爬取网站，外部链接其实是我要找的。p>

如何使用 .NET RegEx 解析 HTML 文件并找到 1. 外部链接。 2. 内部链接。

提前致谢，伊坦列维特。

编辑：回答这个问题 - 不 - 我不受正则表达式的约束，我可以使用任何其他想法。

【问题讨论】：

你是绑定RegEx，还是可以使用第三方DOM解析库？

标签： c# regex web-crawler

【解决方案1】：

不要为此使用正则表达式。

使用类似HTML Agility Pack 的东西，它是专门为解析 HTML 而设计的。（他们的 CodePlex 主页上甚至还有一个示例，可以找到页面中的所有链接。）

【讨论】：

效率高吗？（我的意思是有一天我打算把我的应用程序变成一个真正的网络蜘蛛）
+1 用于 HTML Agility Pack，它是处理 HTML 非常有用的库 @Eytan Levit：是的，我在几个项目中使用这个库没有问题

【解决方案2】：

我曾使用 Regex 进行 Html 解析，它非常快，但现在有更好的选择可以降低开发成本。

试试Linq To Html 很好，Beth 有一篇很棒的帖子可以找到here

【讨论】：