Question

我正在尝试与一个非常糟糕的“网络服务”进行交互（巧妙地伪装成简单的aspx页面......）但是我不控制页面所以我无法调整输出所以我卡住了用它。格式总是这样：

<b>
   <a href=\"http://www.google.com/\" target=\"_blank\">Google Inc</a>
</b>
<br />123 North Main
<br />Hume, ACT
<br />(999) 888-8888

所以，我需要解析URL，Name，Address，City，State和Phone？它不是真正正确形成的XML所以我不能使用XML解析器，RegEx看起来很痛苦，所以我坚持使用String.Match和IndexOf等？

感谢您的建议...... 詹姆斯

Answer 1

您可以使用HTML解析器来解析页面Html Agility Pack，这是一个免费且健壮的页面。或者您可以使用.Net的任何XQuery处理器，请查看此thread以查看使用regex解析html页面的缺点

Answer 2

假设html元素保持静态，则不需要正则表达式。我的解决方案是找到<b>, </b>, and <br />元素的索引，然后从一个索引到下一个索引获取子串。例如

int bStartIndex = html.IndexOf("<b>");
int bEndIndex = html.IndexOf("</b>)");
int urlSize = bEndIndex - bStartIndex - 3;
string url = html.Substring(bStartIndex + 3, urlSize);

是的，这种方法是粗暴的，但是，考虑到“真正糟糕的网络服务”的情况，我认为这是一个公平而直接的解决方案，尽管很乏味。

Answer 3

好吧，在过去，我尝试了许多其他方法来使用框架方法来获取内部值。但是这种格式太定制了，所以我认为唯一的方法是在响应中循环每一行，并且只要你得到一个值它就会有url。任何时候你开始读取行中的字符串，它将是地址，接下来是城市状态等等。由于任何原因，对象的属性顺序到达不同的顺序行，代码将失败。我建议你（如果可能的话）至少从服务中返回一个易于反序列化的JSON格式。在其他情况下，您应该构建自己的反序列化器以根据需要获取数据。

Answer 4

你可以使用Regex.Replace（如果它总是以完全相同的方式格式化），如下所示：

string crappyXML = 
"<b>
   <a href=\"http://www.google.com/\" target=\"_blank\">Google Inc</a>
</b>
<br />123 North Main
<br />Hume, ACT
<br />(999) 888-8888";

string betterXML = Regex.Replace(crappyXML, "</b><br />", "</b><br>");

（如果之间有空格，您可能需要考虑该空间）

然后你的betterXML看起来像这样：

"<b>
   <a href=\"http://www.google.com/\" target=\"_blank\">Google Inc</a>
</b>
<br>123 North Main
<br />Hume, ACT
<br />(999) 888-8888";

然后你可以做另一个正则表达式：

betterXML = Regex.Replace(betterXML, "<br />", "</br><br>");

这会使它看起来像这样：

"<b>
   <a href=\"http://www.google.com/\" target=\"_blank\">Google Inc</a>
</b>
<br>123 North Main
</br><br>Hume, ACT
</br><br>(999) 888-8888";

然后就这样做：

betterXML += "</br>";

关闭最后一个标签。

再次，我的Regex.Replace代码都没有占用空格。您必须添加它。

从那里，你应该能够使用XML解析器并循环来获取你的数据。

我希望有所帮助！让我知道任何问题。

C＃文本匹配HTML

4 个答案: