c# - 如何匹配 C# 中的第一个子模式？

Question

我采用这种模式来匹配嵌套的 div:

(<div[^>]*>(?:\g<1>|.)*?<\/div>)

这很好用，正如您在 regex101 中看到的那样.

但是，当我用 C# 编写以下代码时:

Regex findDivs = new Regex("(<div[^>]*>(?:\\g<1>|.)*?<\\/div>)", RegexOptions.Singleline);

它抛出一个错误:

Additional information: 
    parsing "(<div[^>]*>(?:\g<1>|.)*?<\/div>)" - 
        Unrecognized escape sequence \g.

如您所见，\g 在 C# 中不起作用。那么我怎样才能匹配第一个子模式呢？

Answer 1

您正在寻找的是平衡组。这是正则表达式到 .NET 的一对一转换:

(?sx)<div[^>]*>                   # Opening DIV
    (?>                           # Start of atomic group
        (?:(?!</?div[^>]*>).)+    # (1) Any text other than open/close DIV
        |   <div[^>]*> (?<tag>)   # Add 1 "tag" value to stack if opening DIV found 
        |   </div> (?<-tag>)      # Remove 1 "tag" value from stack when closing DIV tag is found
    )*
    (?(tag)(?!))                  # Check if "tag" stack is not empty (then fail)
</div>

参见 regex demo

但是，您可能真的想使用 HtmlAgilityPack 来解析 HTML。

要点是获得一个 XPath，它将匹配所有没有同名祖先的 DIV 标签。你可能想要这样的东西(未经测试):

private List<string> GetTopmostDivs(string html)
{
    var result = new List<KeyValuePair<string, string>>();
    HtmlAgilityPack.HtmlDocument hap;
    Uri uriResult;
    if (Uri.TryCreate(html, UriKind.Absolute, out uriResult) && uriResult.Scheme == Uri.UriSchemeHttp)
    { // html is a URL 
        var doc = new HtmlAgilityPack.HtmlWeb();
        hap = doc.Load(uriResult.AbsoluteUri);
    }
    else
    { // html is a string
        hap = new HtmlAgilityPack.HtmlDocument();
        hap.LoadHtml(html);
    }
    var nodes = hap.DocumentNode.SelectNodes("//div[not(ancestor::div)]");
    if (nodes != null)
        return nodes.Select(p => p.OuterHtml).ToList();
    else
        return new List<string>();
}