构建正则表达式（RegEx）以提取 HTML 标记的文本 [重复]

Posted 2023-03-14

【中文标题】构建正则表达式（RegEx）以提取 HTML 标记的文本 [重复]

【英文标题】：Building Regular Expression (RegEx) to extract text of HTML tag [duplicate]

【发布时间】：2010-11-06 21:02:49

【问题描述】：

我正在尝试构建一个正则表达式来提取 html 标记内的文本，如下所示。但是，我在正则表达式方面的技能有限，并且在构建字符串时遇到了麻烦。

如何从这个标签中提取文本：

<a href="javascript:ProcessQuery('report_drilldown',145817)">text</a>

这只是页面的 HTML 源代码示例。基本上，我需要一个regex 字符串来匹配<a> 标签内的“文本”。任何人都可以帮助我吗？谢谢你。我希望我的问题没有措辞太可怕。

更新：为了澄清起见，report_drilldown 是绝对的，但我真的不在乎它是否在 regex 中作为绝对存在。

145817 是一个随机的 6 位数字，实际上是一个数据库 ID。 “文本”只是简单的纯文本，所以它不应该是无效的 HTML。另外，大多数人都说在这种情况下最好不要使用正则表达式，那么最好使用什么？非常感谢！

【问题讨论】：

用regex解决解析HTML的问题？现在你有两个问题。

怎么样？我之前在另一个任务非常相似的项目中使用过正则表达式。也许用别的东西来提取标签的文本会更好？

使用正则表达式解析 HTML 通常是一件坏事：***.com/questions/701166

使用正则表达式的 HTML 解析不适​​用于无效的 html，即使是有效的 html 案例也会很痛苦。最好在 C# 中使用 Dom Document 实现，并访问特定节点的 textContent[s]。

【参考方案1】：

答案是……不要！

使用库，例如​​this one

【参考方案2】：

我同意正则表达式可能不是解析这个的最佳方法，但使用反向引用很容易做到：

<(?<tag>\w*)(?:.*)>(?<text>.*)</\k<tag>>

其中 tag 和 text 被命名为捕获组。

帽子提示：expresso 库

【讨论】：

即使假设输入格式正确（如果不是，这种解析方式可能会失败，或者更糟糕的是，错误地成功），这个示例输入显示了两个问题：1) 文本更多文本。 2) ab。当然，你的答案确实不比我的好，但我会犹豫是否称它很容易完成。正则表达式根本不适合这项工作，即使它偶尔会起作用。

好的。我将继续寻找一种非常“安全”和“好”的方法来处理这种“标签汤”，但现在，由于 R. Pate 的正则表达式正在工作，我将继续使用它，直到找到更好的解决方案。非常感谢大家！！！

【参考方案3】：

<a href="javascript:ProcessQuery\('report_drilldown',[0-9]+\)">([^<]*)</a>

这并不能真正解决问题，但可能只是勉强凑合。特别是，它非常脆弱，对标记稍作改动，它就不会匹配。如果report_drilldown 不是绝对的，请将其替换为[^']*，和/或根据需要同时捕获它和数字。

如果您需要解析 HTML 的东西，那么如果您必须处理标签汤，那将是一场噩梦。如果您使用的是 Python，我建议您使用 BeautifulSoup，但我不知道 C# 有类似的东西。 （有人知道类似的 C# 标签汤解析库吗？）

【讨论】：

HTML 中的属性不应包含

是的，我很抱歉愚蠢的控制台字体把我弄糊涂了——它应该是 ()。感谢您的帮助！

哈，我更新我的帖子，看到你的答案，现在回滚到原来的。

对不起！！！！我的错 - 现在我确信我需要为 CMD 找到更好的字体。谢谢！

Lucida Console 和 Envy Code R（在 google 上搜索）对我来说效果很好。

【参考方案4】：

<a href\=\"[^\x00]*?\">

应该给你打开标签。

<\/a>

会给你结束标签。只需提取介于两者之间的内容。但未经测试。

【讨论】：

你的意思是 \x 而不是 /x？为什么除了 null 之外的任何字符？为什么 = 和 " 被转义了？因为你没有在 sed 样式中使用 / 分隔符，所以转义 / 也有点奇怪。