正则表达式解析超链接和描述答案

【问题标题】：Regex to Parse Hyperlinks and Descriptions正则表达式解析超链接和描述
【发布时间】：2008-08-25 16:05:29
【问题描述】：

C#：解析超链接及其描述的好的正则表达式是什么？

请考虑不区分大小写、空格和在 HREF 标记周围使用单引号（而不是双引号）。

还请考虑获取在<a> 标签中包含其他标签的超链接，例如<b> 和<i>。

【问题讨论】：

【解决方案1】：

只要没有嵌套标签（并且没有换行符），以下变体就可以正常工作：

<a\s+href=(?:"([^"]+)"|'([^']+)').*?>(.*?)</a>

一旦嵌套标签开始发挥作用，正则表达式就不适合解析。但是，您仍然可以通过应用现代解释器的更高级功能（取决于您的正则表达式机器）来使用它们。例如。 .NET 正则表达式使用堆栈；我发现了这个：

(?:<a.*?href=[""'](?<url>.*?)[""'].*?>)(?<name>(?><a[^<]*>(?<DEPTH>)|</a>(?<-DEPTH>)|.)+)(?(DEPTH)(?!))(?:</a>)

来源：http://weblogs.asp.net/scottcate/archive/2004/12/13/281955.aspx

【讨论】：

【解决方案2】：

从StackOverflow: Regular expression for parsing links from a webpage?查看这个例子

使用The HTML Agility Pack，您可以解析 html，并使用 HTML 的语义提取详细信息，而不是使用损坏的正则表达式。

【讨论】：

完全正确 - 正则表达式很棒，但在 HTML 或 XML 上使用它们会很痛苦。
+1 用于 HTML 敏捷包。最近有人向我提出了这个建议，效果很好。

【解决方案3】：

I found this 但显然these guys 遇到了一些问题。

编辑：（有效！）
我现在已经完成了自己的测试，发现它可以工作，我不懂 C#，所以我不能给你一个 C# 的答案，但我知道 PHP，这是我从运行它得到的匹配数组：

<a href="pages/index.php" title="the title">Text</a>

array(3) { [0]=> string(52) "Text" [1]=> string(15) "pages/index.php" [2]=> string(4) "Text" }

【讨论】：

【解决方案4】：

我have a regex 处理大多数情况，但我相信它确实匹配多行注释中的 HTML。

它是使用 .NET 语法编写的，但应该很容易翻译。

【讨论】：

【解决方案5】：

既然我已经开始工作了，就要把这个 sn-p 扔出去。这是一个较早前建议的不那么贪婪的版本。如果输入有多个超链接，原始文件将不起作用。下面的代码将允许您遍历所有超链接：

static Regex rHref = new Regex(@"<a.*?href=[""'](?<url>[^""^']+[.]*?)[""'].*?>(?<keywords>[^<]+[.]*?)</a>", RegexOptions.IgnoreCase | RegexOptions.Compiled);
public void ParseHyperlinks(string html)
{
   MatchCollection mcHref = rHref.Matches(html);

   foreach (Match m in mcHref)
      AddKeywordLink(m.Groups["keywords"].Value, m.Groups["url"].Value);
}

【讨论】：

【解决方案6】：

这是一个匹配平衡标签的正则表达式。

(?:""'[""'].*?>)(?(?>(?)|(?)|.)+)(?(DEPTH)(?!)) (?:)

【讨论】：