使用正则表达式在多个 HTML 标记之间获取文本 [重复]

Posted 2023-03-05

【中文标题】使用正则表达式在多个 HTML 标记之间获取文本 [重复]

【英文标题】：Using regex to get text between multiple HTML tags [duplicate]

【发布时间】：2013-04-06 23:46:54

【问题描述】：

使用正则表达式，我希望能够获取多个 DIV 标记之间的文本。例如，以下内容：

<div>first html tag</div>
<div>another tag</div>

会输出：

first html tag
another tag

我使用的正则表达式模式只匹配我的最后一个 div 标签并且错过了第一个。 代码：

    static void Main(string[] args)
    
        string input = "<div>This is a test</div><div class=\"something\">This is ANOTHER test</div>";
        string pattern = "(<div.*>)(.*)(<\\/div>)";

        MatchCollection matches = Regex.Matches(input, pattern);
        Console.WriteLine("Matches found: 0", matches.Count);

        if (matches.Count > 0)
            foreach (Match m in matches)
                Console.WriteLine("Inner DIV: 0", m.Groups[2]);

        Console.ReadLine();
    

输出：

找到的匹配项：1

内部 DIV：这是另一个测试

【问题讨论】：

这项任务是否必须使用正则表达式？ HTML 是上下文无关文法，不能用正则表达式解析。很多时候你可以接近，但你最好使用 HTML 解析器。见***.com/a/1732454/2022565

【参考方案1】：

用非贪婪匹配替换你的模式

static void Main(string[] args)

    string input = "<div>This is a test</div><div class=\"something\">This is ANOTHER test</div>";
    string pattern = "<div.*?>(.*?)<\\/div>";

    MatchCollection matches = Regex.Matches(input, pattern);
    Console.WriteLine("Matches found: 0", matches.Count);

    if (matches.Count > 0)
        foreach (Match m in matches)
            Console.WriteLine("Inner DIV: 0", m.Groups[1]);

    Console.ReadLine();

【讨论】：

它找到了两个匹配项，但在我的程序上显示空值

上面的代码应该可以工作，注意它的 m.Groups[1] 而不是 m.Groups[2] ，因为我改变了一点，因为没有理由捕获标签本身。 rubular.com/r/XQrcobmfAK

【参考方案2】：

首先请记住，在 HTML 文件中，您将有一个换行符（“\n”），您没有将它包含在您用来检查正则表达式的字符串中。

其次带你正则表达式：

((<div.*>)(.*)(<\\/div>))+ //This Regex will look for any amount of div tags, but it must see at least one div tag.

((<div.*>)(.*)(<\\/div>))* //This regex will look for any amount of div tags, and it will not complain if there are no results at all.

也是寻找此类信息的好地方：

http://www.regular-expressions.info/reference.html

http://www.regular-expressions.info/refadv.html

梅曼

【参考方案3】：

简而言之，您无法在所有情况下都正确执行此操作。总会有一些有效 HTML 的情况，正则表达式无法提取您想要的信息。

原因是因为 HTML 是一种上下文无关语法，它是一个比正则表达式更复杂的类。

这是一个例子——如果你有多个堆叠的 div 怎么办？

<div><div>stuff</div><div>stuff2</div></div>

作为其他答案列出的正则表达式将抓取：

<div><div>stuff</div>
<div>stuff</div>
<div>stuff</div><div>stuff2</div>
<div>stuff</div><div>stuff2</div></div>
<div>stuff2</div>
<div>stuff2</div></div>

因为这就是正则表达式在尝试解析 HTML 时所做的事情。

您无法编写一个能够理解如何解释所有情况的正则表达式，因为正则表达式无法做到这一点。如果您正在处理一组非常具体的受限 HTML，这可能是可能的，但您应该牢记这一事实。

更多信息：https://***.com/a/1732454/2022565

【参考方案4】：

你看过Html Agility Pack（见https://***.com/a/857926/618649）吗？

CsQuery 看起来也很有用（基本上使用 CSS 选择器样式的语法来获取元素）。见https://***.com/a/11090816/618649。

CsQuery 基本上是“用于 C# 的 jQuery”，这几乎是我用来查找它的确切搜索条件。

如果您可以在 Web 浏览器中执行此操作，您可以轻松地使用 jQuery，使用类似于 $("div").each(function(idx) alert( idx + ": " + $(this).text()); 的语法（只是您显然会将结果输出到日志或屏幕，或者使用它进行 Web 服务调用，或任何你需要做的事情）。

【讨论】：

没有任何解释或评论的反对票。谢谢！事实是 HTML/XML 是众所周知的使用 Regex 处理的痛苦。并不是说你做不到，我当然在很多场合都做过，但是 CSS 选择器语法是一个更简洁的命题。

【参考方案5】：

我认为这段代码应该可以工作：

string htmlSource = "<div>first html tag</div><div>another tag</div>";
string pattern = @"<div[^>]*?>(.*?)</div>";
MatchCollection matches = Regex.Matches(htmlSource, pattern, RegexOptions.IgnoreCase | RegexOptions.Singleline);
ArrayList l = new ArrayList();
foreach (Match match in matches)
 
   l.Add(match.Groups[1].Value);
 

【参考方案6】：

由于其他人没有提到HTML tags with attributes，这是我的解决方案：

// <TAG(.*?)>(.*?)</TAG>
// Example
var regex = new System.Text.RegularExpressions.Regex("<h1(.*?)>(.*?)</h1>");
var m = regex.Match("Hello <h1 style='color: red;'>World</h1> !!");
Console.Write(m.Groups[2].Value); // will print -> World

【参考方案7】：

我希望下面的正则表达式可以工作：

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

你会得到你想要的输出

这是一个测试 这是另一个测试