如何使用正则表达式从某些文本中提取脚本标签？

Posted 2023-02-16

【中文标题】如何使用正则表达式从某些文本中提取脚本标签？

【英文标题】：How can I extract a script tag from some text using Regex?

【发布时间】：2010-08-12 12:54:32

【问题描述】：

我不太了解正则表达式，我正在尝试从一些提取的页面文本中获取所有脚本标签。我尝试了以下模式：

<script.*?>.*?</script>

但这似乎没有返回任何包含任何代码的脚本标记。 IE。它来自以下：

<script type="text/javascript" src="Scripts/Scipt1.js"></script>
<script type="text/javascript" src="Scripts/Scipt2.js"></script>

<script type="text/javascript">
   function SomeMethod()
   

   
</script>

我只会得到以下结果：

<script type="text/javascript" src="Scripts/Scipt1.js"></script>
<script type="text/javascript" src="Scripts/Scipt2.js"></script>

如何退回全部 3 个？ （注意。我确实想在结果中保留外部脚本标签）。

【问题讨论】：

使用 XML 解析器。每次使用 Regex 解析 XML 时，上帝都会杀死一只小猫。

请don't。使用 XML 解析器。

你不能用正则表达式可靠地做到这一点，正如这里多次所说的那样，html 不是正则语言，因此不能用正则表达式解析。你需要一个 HTML 解析器。

为了证明这个事实，你的正则表达式会杀死太多这样的：<!-- <script> needs a type attribute --><p>Some text here.</p><script></script>

@Robin Day：您的两个示例（<script ... /> 和在脚本中使用 </script>）都是无效的 HTML 4.01。

【参考方案1】：

. 默认情况下不匹配换行符，因此您只会得到单行结果。

使用RegexOptions.Singleline 解决此问题。它改变了. 的含义以匹配任何字符，包括换行符，因此您也可以获得多行匹配。

不要被这个名字弄糊涂了。也不要将它与完全不同的 RegexOptions.Multiline 混淆（阅读 IntelliSense 工具提示以了解）。

【讨论】：

这实际上效果很好，很快并且给了我想要的东西......反正我不喜欢小猫，所以如果上帝杀死一只小猫，我并不在乎，因为我使用正则表达式。

【参考方案2】：

您应该使用HTML Agility Pack。

例如：

var doc = new HtmlDocument();
doc.Parse(source);

var scripts = doc.DocumentNode.Descendants("script"); 

【参考方案3】：

取决于 HTML 的质量。

var scripts = XDocument.Parse(HTMLSTRING).Descendants("SCRIPT");

编辑：Pre Xml.Linq 版本：

XmlDocument xDoc = new XmlDocument();
xDoc.Load(HTMLSTRING);
XmlNodeList scripts = xDoc.SelectNodes("//*/SCRIPT");

注意，两者都是未经测试的......

【讨论】：

不幸的是，我在这个项目中使用了 c#2.0。看起来这将是一个很好的解决方案。

您仍然可以使用 XmlDocument 对象。不止一行代码。

添加了，正如我所说，未经测试，但你应该明白了。您将遇到的最大问题是您的 HTML 是否是有效的 XML。

是的，似乎有问题“有多个根元素。”。这个项目中有很多第三者的废话。即基础设施，所以质量是一个相当牵强的想法。

XML 解析器将在完全有效的高质量 HTML 上完全失败。它甚至不会输出任何有用的东西：它只会抛出。