正则表达式匹配href,但没有媒体文件

时间:2013-01-24 19:34:05

标签: c# regex

我正在使用此正则表达式来计算页面上href's的所有内容:

  

(?: HREF)= [\ “|'](*。?)[\?” |'|>] +

工作正常。但我想只匹配不像媒体的链接(png | jpg | avi | wav | gif)等。

我尝试过添加

之类的东西
  

((?PNG)。)

到我的正则表达式,但这不起作用。我看过this question 但无法获得任何有效的解决方案。

4 个答案:

答案 0 :(得分:3)

我知道这个问题已经回答了。

我想使用CsQuery代替HtmlAgilityPack

提供不同的方法

我认为语法更紧凑,与其他结构非常相似,因为它基于LINQ

//input is your input HTML string
var links = CQ.Create(input).Find("a").Select(x=>x.Cq().Attr("href"));

例如

var links = CQ.Create("<div><a href='blah'></a><a href='blah2'></a></div>").Find("a").Select(x=>x.Cq().Attr("href"));
Console.Write(string.Join(",",dom)); //prints blah,blah2

希望这有助于任何人:)

答案 1 :(得分:2)

using HtmlAgilityPack;

HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
List<string> href = new List<string>();

private void addHREF()
{
    //put your input to check
    string input = "";

    doc.LoadHtml(input);
    //Which files ignore?
    string[] stringArray = { ".png", ".jpg" };
    foreach (var item in doc.DocumentNode.SelectNodes("//a"))
    {
        string value = item.Attributes["href"].Value;
        if (stringArray.Any(value.Contains) == false)
            href.Add(value);
    }
}

我测试了我的输入效果很好......如果您有任何问题请告诉我..

答案 2 :(得分:1)

即使我建议不采用这种方法,您也会发现这个正则表达式很有帮助:

(?<=href\s*=\s*['"]?)(?>(https?://)?([\da-z\.-]+)\.([a-z\.]{2,6})([/\w\.-]*)*/?)(?<!png|gif|etc)

(基于来自8 Regular Expressions You Should Know的网址正则表达式)

请注意,此表达式不允许URL中的空格。这是因为没有引号的HREF将匹配以下属性(例如,"domain.com/resource.txt title"

示例:

static void Main( string[] args )
{

    string l_input =
        "<a href=\n" +
        "        \"HTTPS://example.com/page.html\" title=\"match\" />\n" +
        "<a href='http://site.com/pic.png' title='do not match'> <a href=domain.com/resource.txt title=match>\n" +
        " <script src=scripts.com/script.js>";

    foreach ( Match l_match in Regex.Matches( l_input, @"(?<=href\s*=\s*['""]?)(?>(https?://)?([\da-z\.-]+)\.([a-z\.]{2,6})([/\w\.-]*)*/?)(?<!png|gif|etc)", RegexOptions.IgnoreCase ) )
        Console.WriteLine( "'" + l_match.Value + "'" );

    /* 
     * Returns:
     * 
     * HTTPS://example.com/page.html
     * domain.com/resource.txt
     *          
     */

    Console.ReadKey( true );

}

答案 3 :(得分:1)

我的努力

@"(?<=\shref\s*=\s*[""']?)(?![""']|\S+\.(?:png|jpg|avi|wav|gif)[""']?[\s>])\S+?(?=[""']?[\s>])";

它使用正面的后视来定位内容,并使用负向前瞻以确保它不包含点后跟 png jpg avi wav gif 后跟可选引用标记和空格或>。然后匹配直到可选的引号后跟空格或>。内容不必引用,但不得包含空格。