.NET 正则表达式：替换链接和 img src答案

【问题标题】：.NET Regex: replacing links and img src.NET 正则表达式：替换链接和 img src
【发布时间】：2009-09-14 17:35:50
【问题描述】：

全部，

我需要编写一个正则表达式来执行以下操作替换

(A)

src ="/folder/image.jpg"

或

src="http://www.mydomain.com/folder/image.jpg"

与

src="/cache/getCacheItem.aspx?source_url=http://www.mydomain.com/folder/image.jpg"

(B)

href="/folder/file.zip"

或

href="http://www.mydomain.com/folder/file.zip"

与

href="/cache/getCaccheItem.aspx?source_url=http://www.mydomain.com/folder/file.zip

我知道我可以使用

(src|href).*?=['|\"](?<url>.*?)['|\"]

替换值为

$1="/legacy_integration/cache/getCacheItem.aspx?source_url=$2"

捕捉 src=... 和 href=... 属性。但是，我需要根据文件扩展名进行过滤 - 仅匹配 jpg、png、gif 等有效图像扩展名，并且仅匹配 zip 和 pdf 等 href 扩展名。

有什么建议吗？问题可以总结为：修改上面的表达式，只匹配特定的文件扩展名，并且只有在原始url是相对的情况下才允许插入域http://www.mydomain.com/，从而保证输出文本仅包含一次域。

我是否需要使用两种不同的正则表达式来执行此操作，一种用于包含域的源文本，另一种用于不包含域的源文本？或者我可以以某种方式使用条件匹配语句，结合替换表达式，将根据匹配的文本是否包含域来插入域？

我知道我可以使用自定义匹配评估器执行此操作，但似乎在正则表达式本身内执行此操作可能更快/更有效。

建议/cmets？

【问题讨论】：

RegEx match open tags except XHTML self-contained tags的可能重复

标签： .net asp.net regex

【解决方案1】：

这总是出现。正则表达式不是解析非常规语法（例如 HTML）的合适工具。使用真正的解析器（如HTML agility pack）来执行此操作。

【讨论】：

我不需要解析所有的 HTML，只需要解析指定的标签。我还可以控制输入数据，并且可以保证输入文本与给定格式匹配。在这里涉及另一个 3rd 方工具似乎有点矫枉过正。
这不是矫枉过正，它是可靠的，如果你解析任何你都没有关系。试试吧，它会帮助解决很多问题，而不仅仅是这个。
虽然我很欣赏这种完全稳定的方法，但这种特殊的解决方案是 a) 有效，b) 一种临时解决方案，允许我在新的 ASP.NET 框架中呈现大量遗留 ASP 内容，以及 c ）在职的。正如我所说，我可以控制输入数据并且可以保证我的正则表达式有效。如果我将来需要更通用的解决方案，我会很乐意探索敏捷包。谢谢。 =)
好的，我收回。 HtmlAgilityPack 很贴心。

【解决方案2】：

下面的表达式有效吗？

Regex.Replace(url, 
@"(src|href)\s*=\s*(?:'|")((?:http://www\.mydomain\.com)?.*?(jpg|bmp|png))(?:'|")",
"$1 - /cache/getCacheItem.aspx?source_url=$2");

这个想法是你有条件地匹配文本http://www.mydomain.com。它将作为 $2 匹配文本的一部分包含在内。如果它最初在那里，它将进入被替换的字符串。

【讨论】：

【解决方案3】：

这个呢？

var reg = new Regex("(/folder/[^\"]+)");
Match m = reg.Match("src=\"http://www.mydomain.com/folder/image.jpg\"");
var result = string.Format("src=\"/cache/getCacheItem.aspx? source_url=http://www.mydomain.com{0}\"", m.Groups[1].Value);

【讨论】：

@Espen P：看起来这会导致 URL 始终包含 mydomain.com。根据我从 OP 收集到的信息，David 希望仅当原始 URL 中存在此域时才包含该域。
我可能不清楚 - 我希望包含域，无论它是否是原始 URL 的一部分。

【解决方案4】：

此模式将匹配任何路径，如果您想限制路径，您可以在 ?/ 之后添加它。

(?<pre>(?:src|href)\W*=\W*(?:"|'))(?<url>(?:http://www\.mydomain\.com)?/(?<file>[^"']+))(?<post>"|')

这里有一些示例代码：

string pattern = "(?<pre>(?:src|href)\\W*=\\W*(?:\"|'))(?<url>(?:http://www\\.mydomain\\.com)?/(?<file>[^\"']+))(?<post>\"|')";

string test = "src =\"/folder/image.jpg\"\r\n"
            + "src=\"http://www.mydomain.com/folder/image.jpg\"\r\n"
            + "href=\"/folder/file.zip\"\r\n"
            + "href=\"http://www.mydomain.com/folder/file.zip\"";

string replacement = "${pre}/cache/getCacheItem.aspx?source_url=http://www.mydomain.com/${file}${post}";

test = Regex.Replace(test, pattern, replacement);

【讨论】：