提取 HTML 标签之间的波斯文和英文字符

Posted 2023-04-13

【中文标题】提取 HTML 标签之间的波斯文和英文字符

【英文标题】：Extract persian and english characters between HTML tags

【发布时间】：2019-03-31 00:57:56

【问题描述】：

有人能帮我为这个 html 标签制作 regx 吗？

<h1 class="c-product__title">
    هندزفری بلوتوث مدل HBQ-I7
                <span>HBQ-I7 Bluetooth Handsfree</span></h1>

我要提取 "هندزفری بلوتوث مدل HBQ-I7"和"HBQ-I7蓝牙免提" 谢谢

【问题讨论】：

你真的需要使用正则表达式吗？您是否考虑过使用 HTML Agility Pack 或 Linq to XML？

<h1 class="c-product__title"> 或 <span> 会改变吗？

【参考方案1】：

var source = @"<h1 class=""c-product__title"">هندزفری بلوتوث مدل HBQ-I7<span>HBQ-I7 Bluetooth Handsfree</span></h1>";
var regex = new Regex(@"product__title"">(?<farci>.+)<span>(?<english>.+)</span>");
var match = regex.Match(source);

这将返回 3 个组，第一个匹配整个正则表达式，然后再返回 2 个，一个用波斯语称为 farci，第二个用英语版本称为英语。

只有当它们都在同一行时才有效。如果你有换行符，那么它将不起作用。

如果您可以将 html 视为 xml 并使用 Linq 可能更容易，那么换行符不是问题。

【讨论】：

鉴于 OP 的示例 HTML，我会假设元素之间会有一些空格（包括换行符等）。

【参考方案2】：

使用正则表达式

string html = @"<h1 class=""c-product__title"">
    هندزفری بلوتوث مدل HBQ-I7
                <span>HBQ-I7 Bluetooth Handsfree</span></h1>";

string h1Start = @"<h1.*?>"; // h1 tag, with or without attributes
string spanStart = @"<span.*?>"; // span tag, with or without attributes
string spanEnd = @"</span>"; // span closing tag
string text = @"\s*(.+)\s*"; // there MIGHT be whitespace before and/or after the text
var regex = new Regex($"h1StarttextspanStarttextspanEnd");

Match match = regex.Match(html);

if (match.Success)

    string persianText = match.Groups[1].Value.Trim();
    string englishText = match.Groups[2].Value.Trim();

替代解决方案 - 使用 HtmlAgilityPack

认为在这种特殊情况下，HtmlAgilityPack 是比正则表达式更好的选择来解析 HTML 片段。

例子：

using System;
using System.Linq;
using HtmlAgilityPack;

namespace HtmlAgilityPackDemo

    class Program
    
        static void Main(string[] args)
        
            string html = @"<h1 class=""c-product__title"">
    هندزفری بلوتوث مدل HBQ-I7
                <span>HBQ-I7 Bluetooth Handsfree</span></h1>";

            HtmlDocument doc = new HtmlDocument();
            doc.LoadHtml(html);

            var text = (from node in doc.DocumentNode.ChildNodes
                let textNode = node.SelectSingleNode("//text()") // selects the text 
                let spanNode = node.SelectSingleNode("span")
                select new 
                
                    PersianText = textNode.InnerText.Trim(),
                    EnglishText = spanNode.InnerText.Trim()
                )
                .FirstOrDefault();

            Console.Read();
        
    

【参考方案3】：

如果您在 C# 代码中将 HTMLTag 作为字符串，您可以尝试使用 .split() 方法来提取您想要/需要的部分。例如：

String htmlTag = " < h1 class=\"c-product__title\">    هندزفری بلوتوث مدل HBQ-I7                <span> HBQ-I7 Bluetooth Handsfree</span></h1>";
string[] htmlTagSplitted = htmlTag.Split('<');
string[] htmlTagSplitted2 = new string[20];
string[] htmlTagSplitted3 = new string[20];          
htmlTagSplitted2 = htmlTagSplitted[1].Split('>');
htmlTagSplitted3 = htmlTagSplitted[2].Split('>');

Console.WriteLine(htmlTagSplitted2[1] + htmlTagSplitted3[1]);

htmlTagSplitted2[1] 包含您想要的字符串的第一部分，而 htmlTagSplitted3[1] 第二部分。我知道这不是正则表达式，也不是漂亮的语法，但它确实有效:-D

最好的问候尼科！

【讨论】：

哇，看看其他答案，我很后悔我的帖子：facepalm：尽管如此它仍然有效^^

这样解析字符串更容易出错，以防输入 html 发生变化（换行符、间距等）。您的代码也不太可读 IMO... 有时困难的部分是为正确的工作找到正确的工具！但是，嘿，尝试使用 String.Split 来做这件事仍然是一个很好的练习；-)

感谢您的支持反馈！ :-) 到目前为止，我在编写的程序中使用了 String.Split 几次，所以我认为它可能适合呵呵。我希望将来我能够使用更多改进的解决方案，例如您向 OP 建议的解决方案，呵呵！ :-)