使用 RegEx 提取 html 标签之间的文本

Question

我必须从 Visual Basic 中的字符串中提取一些文本，如下所示：

<div id="div">
<h2 id="id-date">09.09.2010</h2> , here to extract the date 

<h3 id="nr">000</h3> , here a number </div>

我需要从 div 中提取日期，并从 div 中提取所有这些数字... 此外，这将处于循环中，这意味着需要解析更多的 div 块。！ 谢谢你！ 阿德里安

Answer 1

使用正则表达式解析 HTML 并不理想。其他人建议使用 HTML Agility Pack。但是，如果您可以保证您的输入是明确定义的并且您始终知道会发生什么，那么使用正则表达式是可能的。

如果您能做出这样的保证，请继续阅读。否则，您需要考虑其他建议或更好地定义您的输入。事实上，你应该更好地定义你的输入，因为我的回答做了一些假设。需要考虑的一些问题：

• HTML 是一行还是多行，由换行符分隔？
• HTML 是否总是采用<div>...<h2...>...</h2><h3...>...</h3></div> 的形式？或者可以有h1-h6标签吗？
• 在hN 标记之上，日期和数字是否始终位于id 属性具有id-date 和nr 值的标记之间？

根据这些问题的答案，模式可能会发生变化。下面的代码假定每个 HTML 片段都遵循您共享的结构，它将有一个 h2 和 h3 分别带有日期和数字，并且每个标签都将在一个新行上。如果你给它提供不同的输入，它可能会中断，直到模式与你的输入结构匹配。

Dim input As String = "<div id=""div"">" & Environment.Newline & _
               "<h2 id=""id-date"">09.09.2010</h2>" & Environment.Newline & _
               "<h3 id=""nr"">000</h3>" & Environment.Newline & _
               "</div>"

Dim pattern As String = "<div[^>]+>.*?" & _
                 "<h2\sid=""id-date"">(?<Date>\d{2}\.\d{2}\.\d{4})</h2>.*?" & _
                 "<h3\sid=""nr"">(?<Number>\d+)</h3>.*?</div>"

Dim m As Match = Regex.Match(input, pattern, RegexOptions.Singleline)

If m.Success Then
    Dim actualDate As DateTime = DateTime.Parse(m.Groups("Date").Value)
    Dim actualNumber As Integer = Int32.Parse(m.Groups("Number").Value)
    Console.WriteLine("Parsed Date: " & m.Groups("Date").Value)
    Console.WriteLine("Actual Date: " & actualDate)
    Console.WriteLine("Parsed Number: " & m.Groups("Number").Value)
    Console.WriteLine("Actual Number: " & actualNumber)
Else
    Console.WriteLine("No match!")
End If

图案可以在一条线上，但为了清楚起见，我将其分开。 RegexOptions.Singleline 用于允许 . 元字符处理 \n 换行符。

你也说过：

而且这将是循环的，意思是 需要更多的 div 块 已解析。

您是否在单独的字符串上循环？或者您是否期望在单个字符串中多次出现上述 HTML 结构？如果是前者，则应将上述代码应用于每个字符串。对于后者，您需要使用 Regex.Matches 并将每个 Match 结果与上述代码类似。

---

编辑：这里是一些示例代码，用于演示解析多个匹配项。

Dim input As String = "<div id=""div"">" & Environment.Newline & _
               "<h2 id=""id-date"">09.09.2010</h2>" & Environment.Newline & _
               "<h3 id=""nr"">000</h3>" & Environment.Newline & _
               "</div>" & _
               "<div id=""div"">" & Environment.Newline & _
               "<h2 id=""id-date"">09.14.2010</h2>" & Environment.Newline & _
               "<h3 id=""nr"">123</h3>" & Environment.Newline & _
               "</div>"

Dim pattern As String = "<div[^>]+>.*?" & _
                 "<h2\sid=""id-date"">(?<Date>\d{2}\.\d{2}\.\d{4})</h2>.*?" & _
                 "<h3\sid=""nr"">(?<Number>\d+)</h3>.*?</div>"

For Each m As Match In Regex.Matches(input, pattern, RegexOptions.Singleline)
    Dim actualDate As DateTime = DateTime.Parse(m.Groups("Date").Value)
    Dim actualNumber As Integer = Int32.Parse(m.Groups("Number").Value)
    Console.WriteLine("Parsed Date: " & m.Groups("Date").Value)
    Console.WriteLine("Actual Date: " & actualDate)
    Console.WriteLine("Parsed Number: " & m.Groups("Number").Value)
    Console.WriteLine("Actual Number: " & actualNumber)
Next

Answer 2

您不应该使用正则表达式解析 HTML，因为正如 Daniel Vandersluis 所说，HTML 不是正则的。您可以使用HTML Agility Pack

Answer 3

为什么不直接使用 Html Agility Pack ?

Answer 4

如果你的HTML tag 有attributes，那么这是我的解决方案：

<TAG(.*?)>(.*?)</TAG>

示例（使用 C#）：

var regex = new System.Text.RegularExpressions.Regex("<h1(.*?)>(.*?)</h1>");
var m = regex.Match("Hello <h1 style='color: red;'>World</h1> !!");
Console.Write(m.Groups[2].Value); // will print -> World

Answer 5

试试这个来自link -

private string StripHTML(string htmlString)
{
    //This pattern Matches everything found inside html tags;
    //(.|\n) - > Look for any character or a new line
    // *?  -> 0 or more occurences, and make a non-greedy search meaning
    //That the match will stop at the first available '>' it sees, and not at the last one
    //(if it stopped at the last one we could have overlooked 
    //nested HTML tags inside a bigger HTML tag..)
    // Thanks to Oisin and Hugh Brown for helping on this one...

    string pattern = @"<(.|\n)*?>";  

    return  Regex.Replace(htmlString,pattern,string.Empty);
}