Question

使用正则表达式我想提取一些HTML文本中包含的文件或图像的所有链接。尝试了几个例子，但他们失败的原因很多（主要是我不熟悉正则表达式:)）

1）首先我试过这个：

> Regex("<img[^>]+src=[""']([^""']+)[""']", RegexOptions.Singleline Or
> RegexOptions.IgnoreCase)

（适用于图像）

2）然后这个：

Regex("href=[""']([^""']+)[""']", RegexOptions.Singleline Or RegexOptions.IgnoreCase)

1）提取所有图像，它工作正常，但这只是部分解决方案。 2）提取所有href =“asdf”，但我想只提取指向文件的href，我不想要锚点（#middlesection）或.aspx甚至没有像href =“www.google.com/site”这样的扩展名的网址

我想知道如何从给定文本中提取所有文件，作为文件的任何以点和三个字符结尾的链接：）

我对“.aspx”或“.html”不感兴趣，既不像“id_content = 99”这样的无扩展名网址，也不喜欢“＃anchor123”这样的锚点。

是否可以将其打包成一个RegExp？所有这一切背后的想法是我必须将某些HTML中引用的每个文件从一个地方复制到另一个地方，因此我需要一个仅包含要复制的文件路径的ArrayList。

提前致谢！

添加了一些示例代码，只是为了澄清这与“野外”html

无关

提供此代码：

<p>This is a paragraph</p>
<br>
<a href="#someplace">Go to someplace</a>
<ul>
    <li><p><a href="../files/document.pdf">Important PDF 1</a></p></li>
    <li><p><a href="../files/document.xls">Important XLS</a></p></li>
</ul>
<a href="content.aspx?id_content=55">Go to content 55</a>
<br>
<img src="../images/nicelogo.jpg">

我想得到这个：

"../files/document.pdf"
"../files/document.xls"
"../images/nicelogo.jpg"

我不想得到这个：

"#someplace"
"content.aspx?id_content=55"

多数民众赞成，凭借我拥有的reg exp，我获得了所有链接，我只想要那些代表文件的链接。 HTML是由我手工编写的（长篇故事）所以不会有奇怪的双引号或格式错误的标签或奇怪的字符。

我知道它可以做，因为它差不多完成了，我只是不知道怎么说“给我只有匹配的东西”。最后的东西是“东西”三个长字符串“。我清楚了吗？：）

Answer 1

根据您的示例，表达式的大部分内容不应与问号，片段哈希或双引号匹配：

"([^?#"]*)\.[a-z]{3,4}"

最后一部分是强制扩展一个3到4个字符，前面加一个句号。

修改

捕获双引号之间的部分：

"(([^?#"]*)\.[a-z]{3,4})"

不确定如何避免使用ASP在基本名称上捕获内存，在PCRE中你会使用?:

Answer 2

您真的不想尝试自己解析网址。存在可以引用资源的各种格式。您可以src=foo没有引号，src='foo'，src="foo"，您可以包含自己引用其他资源的样式表，您需要进行实体解码（src='f"oo'）和URL编码（src='f o o'），以及处理相对URL和绝对URL（您知道src='//somesite.com/blah'与src='http://somesite.com/blah'和src='somesite.com/blah'不同吗？）等等。还有你提到的问题，可能还有更多我没有想过的问题。 StackOverflow上已经有很多问题，为什么尝试使用RegEx解析HTML是个坏主意，答案范围从the serious到humorous。

相反，为什么不使用已经解决问题的现有工具，例如wget？请参阅wget的recursive download支持，以关注链接并抓取网站以获取引用的资源。

Answer 3

这样的事情应该有效：

<a href=\"(.*\.[a-z0-9]{3})\"

但是如果确实如此，你必须向我保证，当你后悔为此使用正则表达式时，你会回来发表评论。

正则表达式从HTML中提取所有文件

3 个答案: