尝试在 C# 中使用正则表达式获取整个 <div>

Posted 2023-04-13

【中文标题】尝试在 C# 中使用正则表达式获取整个 <div>

【英文标题】：Trying to get a whole <div> with regex in c#

【发布时间】：2013-05-02 16:37:36

【问题描述】：

我正在尝试在 c# 中抓取整个 div 元素...

我试过div class="txt-block"\s*(.+?)(\r\n?|\n)\s*" 但它并没有完全刮掉它:( 有任何想法吗？ 这是 div.. THX！

    <div class="txt-block" itemprop="creator" itemscope itemtype="http://schema.org/Person"> 
    <h4 class="inline">Writers:</h4>
    <a href="/name/nm1318843/?ref_=tt_ov_wr" itemprop='url'><span class="itemprop"    itemprop="name">Mark Fergus</span></a>               (screenplay), 
    <a href="/name/nm1319757/?ref_=tt_ov_wr" itemprop='url'><span class="itemprop"         
    itemprop="name">Hawk Ostby</span></a>               (screenplay), <a href="fullcredits?ref_=tt_ov_wr#writers" >6 more credits</a>&nbsp;&raquo;
</div> 

【问题讨论】：

您真的需要阅读this 才能理解为什么 RexEx 和 html 解析不能结合使用。

改用HTML Parser。

您无法使用正则表达式解析 HTML。大多数语言都有 HTML 解析器，在线查找或 HTML 解析器。如果你想自己做，你需要做更多的工作。

【参考方案1】：

为什么会有这么多反对票？因为您不会使用正则表达式解析 HTML，所以不允许他？太狭隘了。

我发现 htmlagilitypack 无法正确解析格式错误的 html 文档，或者无法解析大量捕获的串联或嵌套 HTML 文档的情况占很大比例。或者任何形式的 XPath 都不起作用，因为 HTML 文档是动态创建的，不一致，并且不一定包含标识属性。当一个非常简单的正则表达式无论如何都可以更可靠时，为什么要导入额外的包含并解决草率的标记？

如果您有一个大型项目，而您的项目中的一个方法只需要提取输入 HTML 文档的 DIV 的内容，该怎么办？它不是一个完整的 HTML 解析项目，只需要一个正则表达式。你的答案是包含更多的导入并为此构建一个全新的框架？我每年做数百个项目。一半使用 DOM/XPath，另一半根本不能，并且需要 Regex。

总之，不要那么狭隘。参考 XPath/DOM 工具，但有助于回答问题。不要只是投反对票。我们不是尼安德特人，需要一直嘲笑很久以前发表的古老的“不要使用正则表达式解析 HTML”帖子。

答案如下：

首先，单纯形：

(?s)<div.*?>(.*?)</div>

需要一个特别命名的 div？

(?s)<div[^>]*?class="txt-block"[^>]*?>(.*?)</div>

想要节省 CPU 并避免不必要的回溯？

<div[^>]*?class="txt-block"[^>]*?>(([^<]*(?(?!</div>)<))*)</div>

以上假设您没有嵌套的 DIV 项。这就是不使用 Regex 的整个想法真正发挥作用的时候。除非您使用 C#.Net。在这种情况下，您只需这样做：

(?xm)
    (?>
        <(?<Tagname>div)[^>]*?class="txt-block"[^>]*>
)
(?(Tagname)
    (
        </(?(?!\k'Tagname')(?<-Tagname>))*\k'Tagname'>(?<-Tagname>)
    |
        (?>
            <(?<Tagname>[a-z][^\s>]*)[^>]*>
        )
    |
        [^<]+
    )+?
    (?(Tagname)(?!))
)

或者，单行版本：

(?m)(?><(?<Tagname>div)[^>]*?class="txt-block"[^>]*>)(?(Tagname)(</(?(?!\k'Tagname')(?<-Tagname>))*\k'Tagname'>(?<-Tagname>)|(?><(?<Tagname>[a-z][^\s>]*)[^>]*>)|[^<]+)+?(?(Tagname)(?!)))

选择你的毒药。正则表达式比人们想象的更强大和可靠。我发布的最复杂的示例无法在 Regex Buddy 中运行，但可以在任何 .Net 框架中运行。 Regex Buddy 不支持平衡组，这是一种 .Net 风格。

【讨论】：

+1 公平的回答，我觉得 Regex 是做 HTML 时的最后手段，但我仍然给 +1 以指出一些可以在有限情况下工作的选项。

【参考方案2】：

使用正则表达式解析 HTML 不是一个好主意。尝试在 c# 中查找用于解析 HTML 的库。

在quick search 之后我想出了这个库：http://htmlagilitypack.codeplex.com/ 看来这个库有你需要的所有功能。