使用 C# 的简单正则表达式帮助（包括正则表达式模式）

Question

我有一些我正在尝试解析的网站源流。我目前的正则表达式是这样的：

Regex pattern = new Regex (
@"<a\b             # Begin start tag
    [^>]+?             # Lazily consume up to id attribute
    id\s*=\s*['""]?thread_title_([^>\s'""]+)['""]?  # $1: id
    [^>]+?             # Lazily consume up to href attribute
    href\s*=\s*['""]?([^>\s'""]+)['""]?             # $2: href
    [^>]*              # Consume up to end of open tag
    >                  # End start tag
    (.*?)                                           # $3: name
    </a\s*>            # Closing tag",
RegexOptions.Singleline | RegexOptions.IgnoreCase | RegexOptions.IgnorePatternWhitespace );

但它不再匹配链接。我包含了一个示例字符串here。

基本上我正在尝试匹配这些：

<a href="http://visitingspain.com/forum/f89/how-to-get-a-travel-visa-3046631/" id="thread_title_3046631">How to Get a Travel Visa</a>

"http://visitingspain.com/forum/f89/how-to-get-a-travel-visa-3046631/" is the **Link**
304663` is the **TopicId**
"How to Get a Travel Visa" is the **Title**

在我发布的示例中，至少有 3 个，其他的我没有计算。

我还使用RegexHero（在线免费）在将匹配项添加到代码之前以交互方式查看匹配项。

Answer 1

为了完整起见，这里是如何使用 Html Agility Pack 完成的，这是一个强大的 .Net HTML 解析器（也可通过 NuGet 获得，因此安装大约需要 20 秒）。

加载文档、解析文档并找到 3 个链接，如下所示：

string linkIdPrefix = "thread_title_";
HtmlWeb web = new HtmlWeb();
HtmlDocument doc = web.Load("http://jsbin.com/upixof");
IEnumerable<HtmlNode> threadLinks = doc.DocumentNode.Descendants("a")
                              .Where(link => link.Id.StartsWith(linkIdPrefix));

就是这样，真的。现在您可以轻松获取数据：

foreach (var link in threadLinks)
{
    string href = link.GetAttributeValue("href", null);
    string id = link.Id.Substring(linkIdPrefix.Length); // remove "thread_title_"
    string text = link.InnerHtml; // or link.InnerText
    Console.WriteLine("{0} - {1}", id, href);
}

Answer 2

这很简单，标记改变了，现在href属性出现在id之前：

<a\b             # Begin start tag
    [^>]+?             # Lazily consume up to href attribute
    href\s*=\s*['""]?([^>\s'""]+)['""]?             # $1: href
    [^>]+?             # Lazily consume up to id attribute
    id\s*=\s*['""]?thread_title_([^>\s'""]+)['""]?  # $2: id
    [^>]*              # Consume up to end of open tag
    >                  # End start tag
    (.*?)                                           # $3: name
    </a\s*>            # Closing tag

请注意：

• 这主要是为什么这是一个坏主意。
• 组号已更改。您可以改用命名组：(?<ID>[^>\s'""]+) 而不是 ([^>\s'""]+)。
• 引号仍然被转义（这在字符集中应该没问题）

regex hero 上的示例。

Answer 3

Don't do that（好吧，almost，但并不适合所有人）。 Parsers 是针对这种类型的。