尝试解析 HTML 文档并提取一些元素(任何指向文本文件的链接)。
当前的策略是将 HTML 文档加载到字符串中。然后找到文本文件链接的所有实例。它可以是任何文件类型，但是对于这个问题，它是一个文本文件。
最终目标是拥有一个 IEnumerable 字符串对象列表。这部分很简单，但解析数据才是问题。
<html>
<head><title>Blah</title>
</head>
<body>
<br/>
<div>Here is your first text file: <a href="http://myServer.com/blah.txt"></div>
<span>Here is your second text file: <a href="http://myServer.com/blarg2.txt"></span>
<div>Here is your third text file: <a href="http://myServer.com/bat.txt"></div>
<div>Here is your fourth text file: <a href="http://myServer.com/somefile.txt"></div>
<div>Thanks for visiting!</div>
</body>
</html>
最初的方法是:
- 将字符串加载到 XML 文档中，并以 Linq-To-Xml 方式对其进行攻击。
- 创建一个正则表达式，以查找以
href=开头并以.txt结尾的字符串>
问题是:
- 那个正则表达式会是什么样子？我是正则表达式新手，这是我正则表达式学习的一部分。
- 您会使用哪种方法来提取标签列表？
- 哪种方式效率最高？
- 哪种方法最具可读性/可维护性？
更新: 感谢Matthew关于 HTML Agility Pack 建议。它工作得很好! XPath 建议也适用。我希望我可以将两个答案都标记为“答案”，但我显然不能。它们都是问题的有效解决方案。
这是一个使用 Jeff 建议的正则表达式的 C# 控制台应用程序.它可以很好地读取字符串，并且不会包含任何未以 .txt 结尾的 href。对于给定的示例，它正确地不在结果中包含 .txt.snarg 文件(如 HTML 字符串函数中提供的那样)。
using System;
using System.Collections.Generic;
using System.Text;
using System.Text.RegularExpressions;
using System.IO;
namespace ParsePageLinks
{
class Program
{
static void Main(string[] args)
{
GetAllLinksFromStringByRegex();
}
static List<string> GetAllLinksFromStringByRegex()
{
string myHtmlString = BuildHtmlString();
string txtFileExp = "href=\"([^\\\"]*\\.txt)\"";
List<string> foundTextFiles = new List<string>();
MatchCollection textFileLinkMatches = Regex.Matches(myHtmlString, txtFileExp, RegexOptions.IgnoreCase);
foreach (Match m in textFileLinkMatches)
{
foundTextFiles.Add( m.Groups[1].ToString()); // this is your captured group
}
return files;
}
static string BuildHtmlString()
{
return new StringReader(@"<html><head><title>Blah</title></head><body><br/>
<div>Here is your first text file: <a href=""http://myServer.com/blah.txt""></div>
<span>Here is your second text file: <a href=""http://myServer.com/blarg2.txt""></span>
<div>Here is your third text file: <a href=""http://myServer.com/bat.txt.snarg""></div>
<div>Here is your fourth text file: <a href=""http://myServer.com/somefile.txt""></div>
<div>Thanks for visiting!</div></body></html>").ReadToEnd();
}
}
}
最佳答案
都没有。将其加载到 (X/HT)MLDocument 中并使用 XPath，这是一种处理 XML 的标准方法，非常强大。要查看的函数是 SelectNodes和 SelectSingleNode .
因为您显然使用的是 HTML(不是 XHTML)，所以您应该使用 HTML Agility Pack .大多数方法和属性与相关的 XML 类匹配。
使用 XPath 的示例实现:
HtmlDocument doc = new HtmlDocument();
doc.Load(new StringReader(@"<html>
<head><title>Blah</title>
</head>
<body>
<br/>
<div>Here is your first text file: <a href=""http://myServer.com/blah.txt""></div>
<span>Here is your second text file: <a href=""http://myServer.com/blarg2.txt""></span>
<div>Here is your third text file: <a href=""http://myServer.com/bat.txt""></div>
<div>Here is your fourth text file: <a href=""http://myServer.com/somefile.txt""></div>
<div>Thanks for visiting!</div>
</body>
</html>"));
HtmlNode root = doc.DocumentNode;
// 3 = ".txt".Length - 1. See http://stackoverflow.com/questions/402211/how-to-use-xpath-function-in-a-xpathexpression-instance-programatically
HtmlNodeCollection links = root.SelectNodes("//a[@href['.txt' = substring(., string-length(.)- 3)]]");
IList<string> fileStrings;
if(links != null)
{
fileStrings = new List<string>(links.Count);
foreach(HtmlNode link in links)
fileStrings.Add(link.GetAttributeValue("href", null));
}
else
fileStrings = new List<string>(0);
关于c# - 解析 HTML 文档 : Regular expression or LINQ?，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/907563/