c# - 如何解析这段HTML？

Question

早上好! 我正在使用 c#(框架 3.5sp1)并希望通过正则表达式解析以下 html 片段:

<h1>My caption</h1>
<p>Here will be some text</p>

<hr class="cs" />
<h2 id="x">CaptionX</h2>
<p>Some text</p>

<hr class="cs" />
<h2 id="x">CaptionX</h2>
<p>Some text</p>

<hr class="cs" />
<h2 id="x">CaptionX</h2>
<p>Some text</p>

我需要以下输出:

• 第1组:h1的内容
• 第 2 组:h1 后面的文本的内容
• 第 3-n 组:字幕内容 + 文本

我有什么atm:

<hr.*?/>
<h2.*?>(.*?)</h2>
([\W\S]*?)
<hr.*?/>

由于尾​​随 <hr/>，这将给我所有奇怪的子标题 + 内容(例如 1、3、...) .为了解析 h1-caption，我有另一个模式 ( <h1.*?>(.*?)</h1> )，它只给我标题而不是内容 - 我对那个 atm 没意见。

有没有人给我提示/解决方案或任何替代逻辑(例如，通过阅读器解析 html 并以这种方式分配它？)？

编辑:
正如一些人带来的HTMLAgilityPack ，我很好奇这个好工具。我完成了获取 <h1> 的内容-标签。
但是......我的问题是解析其余部分。这是由以下原因引起的:内容标签可能不同 - 从 <p>至 <div>和 <ul> ... atm 这似乎或多或少地遍历整个文档并为标签解析标签......？ 有什么提示吗？

Answer 1

你真的需要HTML parser为此