我需要一个正则表达式模式来查找HTML中的网页链接。
我首先使用@"(<a.*?>.*?</a>)"提取链接（<a>），但我无法从中获取href。
我的字符串是：
<a href="www.example.com/page.php?id=xxxx&name=yyyy" ....></a> <a href="http://www.example.com/page.php?id=xxxx&name=yyyy" ....></a> <a href="https://www.example.com/page.php?id=xxxx&name=yyyy" ....></a> <a href="www.example.com/page.php/404" ....></a> 1,2和3是有效的，我需要它们，但是4号对我无效
（?和=是必不可少的）
谢谢大家，但我不需要解析<a>。我有一个href="abcdef"格式的链接列表。
我需要抓取href个链接并对其进行过滤，我最喜欢的网址必须包含?和=，例如page.php?id=5
谢谢！
答案 0 :(得分：58)
我建议在正则表达式上使用HTML解析器，但这里仍然是一个正则表达式，它将在每个链接的href属性的值上创建一个捕获组。它将匹配是使用双引号还是单引号。
<a\s+(?:[^>]*?\s+)?href=(["'])(.*?)\1
您可以在here查看此正则表达式的完整说明。
Snippet playground：
let rx = /<a\s+(?:[^>]*?\s+)?href=(["'])(.*?)\1/,
textToMatchInput = document.querySelector('[name=textToMatch]');
document.querySelector('button').addEventListener('click', function () {
console.log(textToMatchInput.value.match(rx));
});<label>
Text to match:
<input type="text" name="textToMatch" value='<a href="google.com"'>
<button>Match</button>
</label>
答案 1 :(得分：10)
建议不要使用regex解析html
regex用于定期发生的模式。html与其格式不一致（xhtml除外）。例如html文件即使你closing tag！这可能会破坏您的代码。
您可以使用此代码使用href's
HtmlAgilityPack
HtmlDocument doc = new HtmlDocument();
doc.Load(yourStream);
var hrefList = doc.DocumentNode.SelectNodes("//a")
.Select(p => p.GetAttributeValue("href", "not found"))
.ToList();
hrefList包含所有href的
答案 2 :(得分：6)
试试这个：
public partial class Form1 : Form
{
public Form1()
{
InitializeComponent();
}
private void Form1_Load(object sender, EventArgs e)
{
var res = Find(html);
}
public static List<LinkItem> Find(string file)
{
List<LinkItem> list = new List<LinkItem>();
// 1.
// Find all matches in file.
MatchCollection m1 = Regex.Matches(file, @"(<a.*?>.*?</a>)",
RegexOptions.Singleline);
// 2.
// Loop over each match.
foreach (Match m in m1)
{
string value = m.Groups[1].Value;
LinkItem i = new LinkItem();
// 3.
// Get href attribute.
Match m2 = Regex.Match(value, @"href=\""(.*?)\""",
RegexOptions.Singleline);
if (m2.Success)
{
i.Href = m2.Groups[1].Value;
}
// 4.
// Remove inner tags from text.
string t = Regex.Replace(value, @"\s*<.*?>\s*", "",
RegexOptions.Singleline);
i.Text = t;
list.Add(i);
}
return list;
}
public struct LinkItem
{
public string Href;
public string Text;
public override string ToString()
{
return Href + "\n\t" + Text;
}
}
}
<强>输入：
string html = "<a href=\"www.aaa.xx/xx.zz?id=xxxx&name=xxxx\" ....></a> 2.<a href=\"http://www.aaa.xx/xx.zz?id=xxxx&name=xxxx\" ....></a> ";
<强>结果：
[0] = {www.aaa.xx/xx.zz?id=xxxx&name=xxxx}
[1] = {http://www.aaa.xx/xx.zz?id=xxxx&name=xxxx}
Scraping HTML提取重要的页面元素。它有许多合法用途 适用于网站管理员和ASP.NET开发人员。使用正则表达式和 WebClient，我们实现HTML的屏幕抓取。
另一种简单方法：您可以使用web browser控件从标记href获取a，如下所示:(请参阅我的示例）
public Form1()
{
InitializeComponent();
webBrowser1.DocumentCompleted += new WebBrowserDocumentCompletedEventHandler(webBrowser1_DocumentCompleted);
}
private void Form1_Load(object sender, EventArgs e)
{
webBrowser1.DocumentText = "<a href=\"www.aaa.xx/xx.zz?id=xxxx&name=xxxx\" ....></a><a href=\"http://www.aaa.xx/xx.zz?id=xxxx&name=xxxx\" ....></a><a href=\"https://www.aaa.xx/xx.zz?id=xxxx&name=xxxx\" ....></a><a href=\"www.aaa.xx/xx.zz/xxx\" ....></a>";
}
void webBrowser1_DocumentCompleted(object sender, WebBrowserDocumentCompletedEventArgs e)
{
List<string> href = new List<string>();
foreach (HtmlElement el in webBrowser1.Document.GetElementsByTagName("a"))
{
href.Add(el.GetAttribute("href"));
}
}
答案 3 :(得分：4)
我发现用一种复杂而神秘的模式来强制执行href属性的有效性是非常过分的，而像一个简单的表达式如
<a\s+(?:[^>]*?\s+)?href="([^"]*)"
足以捕获所有URL。如果要确保它们至少包含查询字符串，则可以使用
<a\s+(?:[^>]*?\s+)?href="([^"]+\?[^"]+)"
首先使用其中之一：
st =@"((www\.|https?|ftp|gopher|telnet|file|notes|ms-help):((//)|(\\\\))+ \w\d:#@%/;$()~_?\+-=\\\.&]*)";
st = "@<a href[^>]*>(.*?)</a>";
st = @"((([A-Za-z]{3,9}:(?:\/\/)?)(?:[-;:&=\+\$,\w]+@)?[A-Za-z0-9.-]+|(?:www.|[-;:&=\+\$,\w]+@)[A-Za-z0-9.-]+)((?:\/[\+~%\/.\w-_]*)?\??(?:[-\+=&;%@.\w_]*)#?(?:[\w]*))?)";
st = @"((?:(?:https?|ftp|gopher|telnet|file|notes|ms-help):(?://|\\\\)(?:www\.)?|www\.)[\w\d:#@%/;$()~_?\+,\-=\\.&]+)";
st = @"(?:(?:https?|ftp|gopher|telnet|file|notes|ms-help):(?://|\\\\)(?:www\.)?|www\.)";
st = @"(((https?|ftp|gopher|telnet|file|notes|ms-help):((//)|(\\\\))+)|(www\.)[\w\d:#@%/;$()~_?\+-=\\\.&]*)";
st = @"href=[""'](?<url>(http|https)://[^/]*?\.(com|org|net|gov))(/.*)?[""']";
st = @"(<a.*?>.*?</a>)";
st = @"(?:hrefs*=)(?:[s""']*)(?!#|mailto|location.|javascript|.*css|.*this.)(?.*?)(?:[s>""'])";
st = @"http://([\\w+?\\.\\w+])+([a-zA-Z0-9\\~\\!\\@\\#\\$\\%\\^\\&\\*\\(\\)_\\-\\=\\+\\\\\\/\\?\\.\\:\\;\\'\\,]*)?";
st = @"http(s)?://([\w-]+\.)+[\w-]+(/[\w- ./?%&=]*)?";
st = @"(http|https)://([a-zA-Z0-9\\~\\!\\@\\#\\$\\%\\^\\&\\*\\(\\)_\\-\\=\\+\\\\\\/\\?\\.\\:\\;\\'\\,]*)?";
st = @"((http|ftp|https):\/\/[\w\-_]+(\.[\w\-_]+)+([\w\-\.,@?^=%&:/~\+#]*[\w\-\@?^=%&/~\+#])?)";
st = @"http://([\\w+?\\.\\w+])+([a-zA-Z0-9\\~\\!\\@\\#\\$\\%\\^\\&\\*\\(\\)_\\-\\=\\+\\\\\\/\\?\\.\\:\\;\\'\\,]*)?";
st = @"http(s?)\:\/\/[0-9a-zA-Z]([-.\w]*[0-9a-zA-Z])*(:(0-9)*)*(\/?)([a-zA-Z0-9\-\.\?\,\'\/\\\+&%\$#_]*)?$";
st = @"(?<Protocol>\w+):\/\/(?<Domain>[\w.]+\/?)\S*";
我的选择是
@"(?<Protocol>\w+):\/\/(?<Domain>[\w.]+\/?)\S*"
第二次使用此：
st = "(.*)?(.*)=(.*)";
答案 4 :(得分：3)
试试这个正则表达式：
"href\\s*=\\s*(?:\"(?<1>[^\"]*)\"|(?<1>\\S+))"
您将从以下讨论中获得更多帮助：
Regular expression to extract URL from an HTML link
和
Regex to get the link in href. [asp.net]
希望它有所帮助。
答案 5 :(得分：2)
HTMLDocument DOC = this.MySuperBrowser.Document as HTMLDocument;
public IHTMLAnchorElement imageElementHref;
imageElementHref = DOC.getElementById("idfirsticonhref") as IHTMLAnchorElement;
只需尝试此代码
答案 6 :(得分：2)
我提出了这个，它支持锚和图像标签，并支持单引号和双引号。
<[a|img]+\\s+(?:[^>]*?\\s+)?[src|href]+=[\"']([^\"']*)['\"]
所以
<a href="/something.ext">click here</a>
将匹配：
Match 1: /something.ext
和
<a href='/something.ext'>click here</a>
将匹配：
Match 1: /something.ext
同样适用于img src属性